一种基于知识图谱嵌入的动态推荐方法及系统技术方案

本发明专利技术公开了一种基于知识图谱嵌入的动态推荐方法和系统。该方法包括步骤：接收输入的查询事实，在知识图谱中查找是否存在所述查询事实，若存在所述查询事实，则直接输出推荐结果，若不存在所述查询事实，则更新所述知识图谱后再输出推荐结果；其中更新所述知识图谱是采用结合图卷积神经网络与ANALOGY模型的动态知识图谱嵌入方法。本发明专利技术能够减少知识图谱的冗余学习过程，使用户每次数据更新或者有了新的倾向与喜好时，能够迅速地更新整个知识图谱，大大提高整个动态推荐的可靠性与稳定性。

【技术实现步骤摘要】
一种基于知识图谱嵌入的动态推荐方法及系统
本专利技术属于信息处理
，更具体地，涉及一种基于知识图谱嵌入的动态推荐方法及系统。
技术介绍
知识图谱对推荐系统十分有用，目前关于知识图谱用于预测和推荐的研究主要集中在知识图谱的嵌入方法上。知识图谱嵌入可以把复杂的异构有向图转换为符合一定特征的低维向量或者线性变换。传统的方法一般可分为翻译距离法、匹配语义法和神经网络法。传统的推荐系统中使用的知识图谱嵌入算法有以下两个缺点。(1)由于每次对知识图谱进行嵌入时，都要将整个知识图谱进行重新学习与嵌入，在实际使用中，推荐系统不可避免地需要对用户的数据进行实时与动态更新，而传统方法显然对于动态更新是十分繁琐而低效的，每次更新都对整个知识图谱进行重新嵌入将会大大影响用户的体验和整个推荐系统的有效性。(2)对于一些有明确规则且数据量较少的数据，缺少大量数据学习的知识图谱嵌入缺乏准确性，往往做出轻率错误的判断，不能有效利用现存的知识，从而影响用户对推荐系统的体验。
技术实现思路
针对现有技术的至少一个缺陷或改进需求，本专利技术提供了一种基于知识图谱嵌入的动态推荐方法、系统及存储介质，能够减少知识图谱的冗余学习过程，使用户每次数据更新或者有了新的倾向与喜好时，能够迅速地更新整个知识图谱，大大提高整个动态推荐的可靠性与稳定性。为实现上述目的，按照本专利技术的第一方面，提供了一种基于知识图谱嵌入的动态推荐方法，包括步骤：接收输入的查询事实，在知识图谱中查找是否存在所述查询事实，若存在所述查询事实，则直接输出推荐结果，若不存在所述查询事实，则更新所述知识图谱后再输出推荐结果；其中，所述更新所述知识图谱实现如下：获取受所述查询事实影响的其他事实；分别获取所述查询事实的关联子图和所述其他事实的关联子图；分别将所述查询事实的关联子图和所述其他事实的关联子图输入到图卷积神经网络，以分别输出所述查询事实的关联子图的嵌入向量和所述其他事实的关联子图的嵌入向量；将所述查询事实的原始嵌入向量与所述查询事实的关联子图的嵌入向量进行结合，获取所述查询事实的上下文嵌入向量，将所述其他事实的原始嵌入向量与所述其他事实的关联子图的嵌入向量进行结合，获取所述其他事实的上下文嵌入向量，将所述查询事实的原始嵌入向量、所述其他事实的原始嵌入向量、所述查询事实的关联子图的嵌入向量、所述其他事实的关联子图的嵌入向量、所述查询事实的上下文嵌入向量和所述其他事实的上下文嵌入向量保存在所述知识图谱中。优选地，动态推荐方法还包括步骤：预先定义逻辑规则，基于所述逻辑规则对所述查询事实进行逻辑推理，输出推荐结果。优选地，动态推荐方法还包括步骤：预先训练所述图卷积神经网络，在更新所述知识图谱的过程中，所述图卷积神经网络的参数保持不变。优选地，采用线性变换矩阵或距离模型对所述知识图谱中的关系进行建模。优选地，所述基于所述逻辑规则对所述查询事实进行逻辑推理包括步骤：判断所述查询事实的数据类型，若所述查询事实为复合数据，则对所述查询事实进行分解，然后对分解后的数据进行预处理，若为原子数据，则直接对所述查询事实进行预处理；基于所述逻辑规则对预处理后的数据进行合一过滤，输出替换信息子集；根据所述替换信息子集对所述查询事实进行替换，输出推荐结果。优选地，若所述逻辑规则为包括条件和结论的规则，则在所述合一过滤前，对所述逻辑规则分离所述条件和所述结论，首先将所述结论与所述预处理后的数据进行合一过滤，若匹配成功则将所述条件与所述预处理后的数据进行合一过滤。优选地，所述预处理为对所述查询事实中的变量进行重命名，以防止变量名称冲突。优选地，动态推荐方法还包括步骤：用输出的所述推荐结果更新所述知识图谱和所述逻辑规则。按照本专利技术的第二方面，提供了一种基于知识图谱嵌入的动态推荐系统，包括：查询模块，用于接收输入的查询事实，在知识图谱中查找是否存在所述查询事实，若存在所述查询事实，则直接输出推荐结果，若不存在所述查询事实，则更新所述知识图谱后再输出推荐结果；知识图谱嵌入模块，用于更新所述知识图谱；其中，所述知识图谱嵌入模块包括：其他事实获取模块，用于获取受所述查询事实影响的其他事实；关联子图获取模块，用于分别获取所述查询事实的关联子图和所述其他事实的关联子图；图卷积神经网络，用于分别将所述查询事实的关联子图和所述其他事实的关联子图输入到所述图卷积神经网络，以分别输出所述查询事实的关联子图的嵌入向量和所述其他事实的关联子图的嵌入向量；更新模块，用于将所述查询事实的原始嵌入向量与所述查询事实的关联子图的嵌入向量进行结合，获取所述查询事实的上下文嵌入向量，将所述其他事实的原始嵌入向量与所述其他事实的关联子图的嵌入向量进行结合，获取所述其他事实的上下文嵌入向量，将所述查询事实的原始嵌入向量、所述其他事实的原始嵌入向量、所述查询事实的关联子图的嵌入向量、所述其他事实的关联子图的嵌入向量、所述查询事实的上下文嵌入向量和所述其他事实的上下文嵌入向量保存在所述知识图谱中。本专利技术与现有技术相比，具有有益效果：(1)结合使用ANALOGY模型和图卷积神经网络的方法，减少整个知识图谱的冗余学习过程。结合使用ANALOGY模型与图卷积神经网络的动态嵌入方法从两个不同的层面与角度大大降低了整个推荐系统与知识图谱嵌入、建模与使用的复杂度。ANALOGY模型从关系建模的角度降低了学习的复杂度，图卷积神经网络从学习方式的角度降低了学习的成本。(2)融合逻辑编程、推理的方法对动态推荐系统的功能进行拓展。在推荐系统中融入逻辑模块不仅可以大幅提高推荐系统推荐时的效率、可靠性与稳定性，还可以大大简化知识图谱的建立与输入过程，通过几条简单的逻辑规则，我们便可以构造大量的符合规则的事实，为动态推荐系统提供更多的选择与提升的空间。并且由于知识图谱并不是根据推理规则来进行推理与推荐，而是依靠事实之间相关联的概率来进行计算事实存在的概率。而且知识图谱往往是缺失事实的，所以得到的概率在数据不够完整的情况下可能是不准确的。所以引入逻辑编程模块显式地利用确定可靠的逻辑规则来进行推理是更加可靠且准确的。(3)知识图谱嵌入模块与逻辑模块的互补性。知识图谱嵌入模块与逻辑系统模块是相互补充与促进的，知识图谱嵌入模块可以挖掘出新的逻辑规则来补充逻辑模块，逻辑系统可以使用逻辑规则产生更多的事实来训练与补全知识图谱系统。总而言之，本专利技术通过知识图谱的实时更新嵌入的方式以及逻辑编程系统对事实和规则的推理，从而适应用户数据不断变化的动态推荐环境，使用户每次数据更新或者有了新的倾向与喜好时，能够迅速地更新整个知识图谱对用户的分析，同时通过对已有的逻辑规则的有效利用，大大提高整个推荐系统的可靠性与稳定性。附图说明图1是本专利技术实施例的推荐系统流程示意图；图2是本专利技术实施例的实体子图示意图；图3是本专利技术实施例的关系子图示意图；图本文档来自技高网...

【技术保护点】
1.一种基于知识图谱嵌入的动态推荐方法，其特征在于，包括步骤：/n接收输入的查询事实，在知识图谱中查找是否存在所述查询事实，若存在所述查询事实，则直接输出推荐结果，若不存在所述查询事实，则更新所述知识图谱后再输出推荐结果；/n其中，所述更新所述知识图谱实现如下：/n获取受所述查询事实影响的其他事实；/n分别获取所述查询事实的关联子图和所述其他事实的关联子图；/n分别将所述查询事实的关联子图和所述其他事实的关联子图输入到图卷积神经网络，以分别输出所述查询事实的关联子图的嵌入向量和所述其他事实的关联子图的嵌入向量；/n将所述查询事实的原始嵌入向量与所述查询事实的关联子图的嵌入向量进行结合，获取所述查询事实的上下文嵌入向量，将所述其他事实的原始嵌入向量与所述其他事实的关联子图的嵌入向量进行结合，获取所述其他事实的上下文嵌入向量，将所述查询事实的原始嵌入向量、所述其他事实的原始嵌入向量、所述查询事实的关联子图的嵌入向量、所述其他事实的关联子图的嵌入向量、所述查询事实的上下文嵌入向量和所述其他事实的上下文嵌入向量保存在所述知识图谱中。/n

【技术特征摘要】
1.一种基于知识图谱嵌入的动态推荐方法，其特征在于，包括步骤：
接收输入的查询事实，在知识图谱中查找是否存在所述查询事实，若存在所述查询事实，则直接输出推荐结果，若不存在所述查询事实，则更新所述知识图谱后再输出推荐结果；
其中，所述更新所述知识图谱实现如下：
获取受所述查询事实影响的其他事实；
分别获取所述查询事实的关联子图和所述其他事实的关联子图；
分别将所述查询事实的关联子图和所述其他事实的关联子图输入到图卷积神经网络，以分别输出所述查询事实的关联子图的嵌入向量和所述其他事实的关联子图的嵌入向量；
将所述查询事实的原始嵌入向量与所述查询事实的关联子图的嵌入向量进行结合，获取所述查询事实的上下文嵌入向量，将所述其他事实的原始嵌入向量与所述其他事实的关联子图的嵌入向量进行结合，获取所述其他事实的上下文嵌入向量，将所述查询事实的原始嵌入向量、所述其他事实的原始嵌入向量、所述查询事实的关联子图的嵌入向量、所述其他事实的关联子图的嵌入向量、所述查询事实的上下文嵌入向量和所述其他事实的上下文嵌入向量保存在所述知识图谱中。


2.如权利要求1所述的一种基于知识图谱嵌入的动态推荐方法，其特征在于，还包括步骤：预先定义逻辑规则，基于所述逻辑规则对所述查询事实进行逻辑推理，输出推荐结果。


3.如权利要求1或2所述的一种基于知识图谱嵌入的动态推荐方法，其特征在于，还包括步骤：预先训练所述图卷积神经网络，在更新所述知识图谱的过程中，所述图卷积神经网络的参数保持不变。


4.如权利要求1或2所述的一种基于知识图谱嵌入的动态推荐方法，其特征在于，采用线性变换矩阵或距离模型对所述知识图谱中的关系进行建模。


5.如权利要求2所述的一种基于知识图谱嵌入的动态推荐方法，其特征在于，所述基于所述逻辑规则对所述查询事实进行逻辑推理包括步骤：
判断所述查询事实的数据类型，若所述查询事实为复合数据，则对所述查询事实进行分解，然后对分解后的数据进行预处理，若为原子数据，则直接对所述查询事实进行预处理；
基于所述逻辑规则对预处理后的数据进行合一过滤，输出替换信息子集；
根据所述替换信息子集对所述查询事实进行替换，...

【专利技术属性】
技术研发人员：黄梦醒，杨自强，冯思玲，冯文龙，张雨，
申请(专利权)人：海南大学，
类型：发明
国别省市：海南;46