【技术实现步骤摘要】
一种基于知识图谱表示学习和神经网络的协同推荐方法
本专利技术提出一种基于知识图谱表示学习和神经网络的协同推荐方法，属于深度学习和推荐系统的
技术介绍
在传统的推荐系统中，因其依赖于矩阵分解协同过滤算法进行推荐，不可避免地会出现冷启动和数据稀疏性问题。数据稀疏性问题往往是指在比如大规模电商等平台，用户和项目数量非常大，但是在获得的用户-项目矩阵中，用户平均有交互的项目数量较小，这样就会造成用户-项目矩阵稀疏。而冷启动问题是指如何在没有大量用户数据的情况下为新用户做个性化推荐。数据的稀疏性问题最终会导致无法捕捉到不同用户和不同项目之间的关系，从而降低了推荐系统的准确度。神经网络可以从更高的维度去剖析事物和事物之间的关系，也让数据稀疏性问题得到了改善。冷启动问题归根结底还是数据的信息维度不够。知识图谱中包含了一个事物在现实世界中的事实关系，相当于对于模型中需要训练的数据提供了额外的信息维度，从而一定程度上的解决了冷启动问题。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种...
【技术保护点】
1.一种基于知识图谱表示学习和神经网络的协同推荐方法，其特征在于，包括以下步骤：/n步骤1，获取数据集，将数据集中的项目映射到公开知识图谱三元组K，并为项目分别构建其对应的实体集E、关系集R、以及训练集S；/n步骤2，构建好的实体集E、关系集R、以及训练集S作为训练集输入到OpenKE框架中进行模型训练，其中同过设置参数的方式来选择采用知识图谱表示学习方法进行学习；/n步骤3，第二步训练过程中会输出实体集的对应向量矩阵E′，根据第二步输入的实体集E的项目顺序，按照顺序将实体集的对应向量矩阵E′反映射回项目个体，最终为每一个项目构建好其对应的低维度稠密特征向量I
【技术特征摘要】
1.一种基于知识图谱表示学习和神经网络的协同推荐方法，其特征在于，包括以下步骤：
步骤1，获取数据集，将数据集中的项目映射到公开知识图谱三元组K，并为项目分别构建其对应的实体集E、关系集R、以及训练集S；
步骤2，构建好的实体集E、关系集R、以及训练集S作为训练集输入到OpenKE框架中进行模型训练，其中同过设置参数的方式来选择采用知识图谱表示学习方法进行学习；
步骤3，第二步训练过程中会输出实体集的对应向量矩阵E′，根据第二步输入的实体集E的项目顺序，按照顺序将实体集的对应向量矩阵E′反映射回项目个体，最终为每一个项目构建好其对应的低维度稠密特征向量Ikem；
步骤4，将步骤3得到的低维度稠密特征向量Ikem做正例、负例选择处理，生成正例低维度稠密特征向量Ikem-pos和负例低维度稠密特征向量Ikem-neg，之...
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。