一种知识图谱驱动的个性化精准推荐方法技术

本发明专利技术提供一种知识图谱驱动的个性化精准推荐方法，根据用户历史行为，从知识库中获取物品的相关知识，构建知识图，初始化每个节点和连接的向量表示并确定节点的感受域；根据用户历史行为，生成训练样本，初始化所有的用户和物品的向量表示；获取训练样本中物品在知识图谱中对应实体的感受域，将其感受域以及样本作为图神经网络模型输入，得到用户和物品发生交互的可能性预测值；通过最小化损失函数，优化模型参数；模型优化过程结束后，将某一用户和所有物品发生交互的可能性预测值进行排序，获得该用户的推荐列表。本发明专利技术利用知识图谱信息，弥补了原用户历史行为信息的稀疏性，从多维角度刻画了用户和物品，使得个性化推荐结果更加精准。

A personalized and accurate recommendation method driven by knowledge map

【技术实现步骤摘要】
一种知识图谱驱动的个性化精准推荐方法
本专利技术涉及机器学习领域，尤其涉及一种知识图谱驱动的个性化精准推荐方法。
技术介绍
随着信息技术和互联网的发展，人们已经从信息匮乏的时代逐渐进入信息超载的时代。在这个时代，信息消费者和信息生产者都面临着巨大的挑战：作为信息消费者，如何从大量信息中找到感兴趣的信息是非常困难的。作为信息生产者，如何使他们产生的信息脱颖而出并受到用户的关注也是一件非常困难的事情。推荐系统是解决这一矛盾的重要工具。推荐系统作为一种信息过滤系统，通过用户的历史行为、偏好等信息，向用户推荐其最可能感兴趣的信息。由于信息过载的问题愈发严峻，越来越多的研究人员开始致力于推荐系统的研究。之前，许多研究集中在优化协同过滤上。协作过滤技术通过用户和物品之间的交互来预测用户将来可能的行为。尽管协作过滤在许多情况下简单而高效，但在用户和物品交互稀疏的情况下推荐效果不佳。为了解决这一难题，研究人员使用辅助信息来更准确地描述用户和对象的特征，弥补数据稀疏的问题。越来越多的研究者选择使用知识图谱作为辅助信息。相较于其他辅助信息，知识图谱有三方面本文档来自技高网...

【技术保护点】
1.一种知识图谱驱动的个性化精准推荐方法，其特征在于：包括以下步骤：/nS1、根据用户历史行为，从知识库中获取物品的相关知识，构建知识图谱；/nS2、对已构建的知识图谱，初始化每个节点和连接的向量表示并确定节点的感受域；/nS3、根据用户历史行为，生成训练样本，初始化所有的用户和物品的向量表示；/nS4、对每一个训练样本，获取训练样本中物品在知识图谱中对应实体的感受域，将其感受域以及样本作为图神经网络模型输入，得到用户和物品发生交互的可能性预测值；通过最小化损失函数，优化模型参数；/nS5、模型优化过程结束后，将某一用户和所有物品发生交互的可能性预测值进行排序，获得该用户的推荐列表。/n

【技术特征摘要】
1.一种知识图谱驱动的个性化精准推荐方法，其特征在于：包括以下步骤：
S1、根据用户历史行为，从知识库中获取物品的相关知识，构建知识图谱；
S2、对已构建的知识图谱，初始化每个节点和连接的向量表示并确定节点的感受域；
S3、根据用户历史行为，生成训练样本，初始化所有的用户和物品的向量表示；
S4、对每一个训练样本，获取训练样本中物品在知识图谱中对应实体的感受域，将其感受域以及样本作为图神经网络模型输入，得到用户和物品发生交互的可能性预测值；通过最小化损失函数，优化模型参数；
S5、模型优化过程结束后，将某一用户和所有物品发生交互的可能性预测值进行排序，获得该用户的推荐列表。


2.根据权利要求1所述的一种知识图谱驱动的个性化精准推荐方法，其特征在于：所述S1所构建的知识图谱中，所述物品与物品的属性均作为其实体节点。


3.根据权利要求1所述的一种知识图谱驱动的个性化精准推荐方法，其特征在于：所述与物品相关的知识以三元组<h,r,t>的方式构成知识图谱。


4.根据权利要求1所述的一种知识图谱驱动的个性化精准推荐方法，其特征在于：所述S2中初始化所有节点和连接的向量表示方法为Xavier初始化。


5.根据权利要求1所述的一种知识图谱驱动的个性化精准推荐方法，其特征在于：所述S2中确定每个节点的感受域方法具体为：
S21：根据知识图谱，确定所有节点的一跳邻居；
S22：根据事先确定的邻居大小k，每个节点随机选择k个一跳邻居，若一跳邻居数小...

【专利技术属性】
技术研发人员：王柱，汪子龙，於志文，郭斌，周兴社，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61