The present invention provides a sequence recommendation method based on knowledge-enhanced memory network. The sequence preference representation of users is obtained by GRU, the knowledge base information is stored by KV_MN, and the attribute-based user preference representation is constructed by KV_MNS. The sequence preference representation and the attribute-based user preference representation are combined. The final user representation. The invention has the advantages of two kinds of models; linking the entities in product and knowledge base, using large-scale knowledge base information to enhance the sequence recommendation results; using entity attribute information in knowledge base, improving the semantic representation ability of KV_MNs, thus enabling the recommendation process to a certain extent. It can be explained.
【技术实现步骤摘要】
一种基于知识增强记忆网络的序列推荐方法
本专利技术涉及一种序列推荐方法，特别是一种基于知识增强记忆网络的序列推荐方法。
技术介绍
随着计算机技术的迅猛发展，在各种各样平台上推荐系统在匹配用户的需求上扮演着越来越重要的角色。准确地描述并理解用户动态变化的兴趣爱好是构建一个有效的推荐系统过程中极为关键的一点。为了实现这个目标，人们提出使用序列推荐来更好地刻画用户的需求，这种推荐任务旨在根据用户历史交互记录连续地为用户推荐可能需要的产品。典型的传统推荐方法是协同过滤(Collaborativefiltering，简称CF)。这个方法利用具有相似兴趣爱好的用户信息来帮助推荐，相关的模型包括K-近邻算法，矩阵分解算法等。通常情况下推荐任务能被分成两类，隐式反馈任务和显示反馈任务。对于隐式反馈任务，基于贝叶斯框架的个性化排序算法(BayesianPersonalizedRanking，简称BPR)是一个能够优化基于成对排名损失函数的潜在因子模型。而最近深度神经网络也被使用去提高对用户-产品交互信息进行建模的能力。比较有效的算法包括多层感知机以及去噪自动编码器。传统的推荐方法，...
【技术保护点】
1.一种基于知识增强记忆网络的序列推荐方法，其特征在于，该方法利用GRU获取用户的序列偏好表示，利用KV‑MN来存储知识库信息，并通过KV‑MNs构建基于属性的用户偏好表示，将所述序列偏好表示和所述基于属性的用户偏好表示合并生成最终的用户表示。
【技术特征摘要】
1.一种基于知识增强记忆网络的序列推荐方法，其特征在于，该方法利用GRU获取用户的序列偏好表示，利用KV-MN来存储知识库信息，并通过KV-MNs构建基于属性的用户偏好表示，将所述序列偏好表示和所述基于属性的用户偏好表示合并生成最终的用户表示。2.如权利要求1所述的序列推荐方法，其特征在于，所述知识库由实体集合V，关系集合R以及知识库三元组<e1,r,e2>集合组成，所述知识库三元组<e1,r,e2>中，来自所述实体集合V的实体e1,e2之间存在关系r∈...
【专利技术属性】
技术研发人员：赵鑫，黄瑾，文继荣，
申请(专利权)人：中国人民大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。