基于时序性知识图谱的可解释商品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时序性知识图谱的可解释商品推荐方法及系统，所述方法包括：获取用户的历史点击序列，并基于历史点击序列构建时序性知识图谱，所述时序性知识图谱中包括多个时间段的实体和实体之间的关系；基于初始实体，依次根据各个时间段的知识图谱进行设定步长的行为选择，获取各个时间段的状态及其真实值；所述状态包括初始实体、最终实体和相应路径；根据各个时间段的状态及其真实值，采用GRU网络进行商品推荐并给出解释路径。本发明专利技术通过构建时序性知识图谱，能够挖掘更多的用户潜在兴趣，有助于增加推荐的有效性、准确性和多样性。

【技术实现步骤摘要】
基于时序性知识图谱的可解释商品推荐方法及系统
本专利技术属于数据挖掘
，尤其涉及一种基于时序性知识图谱的可解释商品推荐方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。知识图谱(KnowledgeGraphs,KGs)包含了丰富的语义异构信息并在可解释推荐系统领域得到了广泛的应用。一方面，知识图谱中的多样的、数量庞大的实体本身丰富了用户的潜在兴趣的选择，因此有助于推荐系统给用户提供准确的建议，帮助其用户高效地做出商品购买决策。另一方面，知识图谱中实体之间存在各种各样的关系链接，这些关系可以作为用户最终选择商品的具体原因，进而赋予了推荐系统较好的解释能力。知识图谱在推荐系统领域的应用主要划分了两个流派。第一种应用是基于KGs嵌入的方法进行商品推荐，该类方法通常将实体和关系映射成固定长度的向量并根据彼此间的语义相似度为用户推荐商品。第二种是基于路径查询的方法，该类方法通常训练推荐模型按照一定的策略在KGs中游走尽可能多的实体和关系。两种方法都可以较好地为用户推荐商品并赋予推荐系统一定的解释能力。但事实上，这类方法提供的信息具有一定的局限性，往往忽略了用户的历史点击序列对于用户最终选择商品的影响，因此并不能真实客观地判断用户潜藏的商品兴趣。在时序可解释的商品推荐领域，往往是一个单一路径的时序化任务。它通常从用户多个时间段的某一历史点击商品出发，结合KGs中的丰富的、多样化的实体和关系生成多条路径并映射成向量，并对每条路径按照评价指标进行打分，反应出用户对最终商品感兴趣的程度，从而根据完整的打分向用户推荐最大概率可能喜欢的商品。然而这种打分没有考虑用户全局的历史记录信息，无法提供足够有价值的推荐。
技术实现思路
为克服上述现有技术的不足，本专利技术提供了一种基于时序性知识图谱的可解释商品推荐方法及系统，结合用户全局历史记录和KGs中丰富的实体和多样化的关系，全面推测用户下一时期潜在的偏好。为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：一种基于时序性知识图谱的可解释商品推荐方法，包括以下步骤：获取用户的历史点击序列，并基于历史点击序列构建时序性知识图谱，所述时序性知识图谱中包括多个时间段的实体和实体之间的关系；基于初始实体，依次根据各个时间段的知识图谱进行设定步长的行为选择，获取各个时间段的状态及其真实值；所述状态包括初始实体、最终实体和相应路径；根据各个时间段的状态及其真实值，采用GRU网络进行商品推荐并给出解释路径。一个或多个实施例提供了一种基于时序性知识图谱的可解释商品推荐系统，包括：知识图谱构建模块，被配置为获取用户的历史点击序列，并基于历史点击序列构建时序性知识图谱，所述时序性知识图谱中包括多个时间段的实体和实体之间的关系；状态评估模块，被配置为基于初始实体，依次根据各个时间段的知识图谱进行设定步长的行为选择，获取各个时间段的状态及其真实值；所述状态包括初始实体、最终实体和相应路径；商品推荐模块，被配置为根据各个时间段的状态及其真实值，采用GRU网络进行商品推荐并给出解释路径。一个或多个实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述基于时序性知识图谱的可解释商品推荐方法。一个或多个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述基于时序性知识图谱的可解释商品推荐方法。以上一个或多个技术方案存在以下有益效果：本专利技术将可解释推荐作为一种时序性任务，在运行的过程中可以从构建的时序性知识图谱中高效、准确的获取更多的信息，因此最大程度上丰富了用户潜在的兴趣，从而增加了推荐的有效性、准确性、多样性。从时序的角度进行可解释推荐，可以进一步根据获取的有关用户在近期阶段丰富的、多样化的信息推测用户下一阶段的潜在兴趣并给出有效率的路径解释，有效地缓解了由于以往信息不足导致的推荐商品效果片面化，进而为用户推荐出最满意的商品，提高用户的交互体验。本专利技术的附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显，或者通过本专利技术的实践了解到。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1为本专利技术实施例中基于时序性知识图谱的可解释商品推荐方法流程图；图2为本专利技术实施例中选择候选行为的示意图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。实施例一本实施例公开了一种基于时序性知识图谱的可解释商品推荐方法，基于RL(ReinforcementLearning，强化学习)和GRU(GatedRecurrentUnit，门控循环单元)，结合用户全局历史记录和KGs中丰富的实体和多样化的关系，能够更快速、全面、客观的推测用户下一时期潜在的偏好，为用户提供更合理的推荐商品并给出推荐理由。具体地，所述方法包括两个阶段：阶段一：获取用户的历史点击序列，并基于历史点击序列构建时序性知识图谱，所述时序性知识图谱中包括多个时间段的实体和实体之间的关系阶段一具体包括：步骤1：获取用户针对商品的历史点击序列，并按时间进行分割；所述步骤1具体包括：Step1.1：获取历史用户点击序列，所述对历史S′按照时间顺序进行排序；Step1.2：按照一定的时间间隔对排序后的用户点击序列分割成多个时间段S′＝{s1，s2，....，sk-1，sk}，其中k是分割时间段数。步骤2：对于每个分割时间段内的历史点击序列，与AmazonDatabase知识图谱结合获取其相应的实体及关系；AmazonDatabase包含了大量的用户浏览记录及其相应的商品集和商品之间的关系集等，将每个分割时间段内用户的每条历史记录在AmazonDatabase知识图谱中挖掘相应的实体及其对应的关系。本实施例中，对实体和关系进行类别抽象，并定义了时序性知识图谱的中关系字典和实体字典E的格式。具体地，实体的类别抽象为以下五类：USER、PRODUCT、WORD、RPRODUCT、BRAND、CATEGORY。关系的种类包含了8类：PURCHASE、MENTION、本文档来自技高网...

【技术保护点】
1.一种基于时序性知识图谱的可解释商品推荐方法，其特征在于，包括以下步骤：/n获取用户的历史点击序列，并基于历史点击序列构建时序性知识图谱，所述时序性知识图谱中包括多个时间段的实体和实体之间的关系；/n基于初始实体，依次根据各个时间段的知识图谱进行设定步长的行为选择，获取各个时间段的状态及其真实值；所述状态包括初始实体、最终实体和相应路径；/n根据各个时间段的状态及其真实值，采用GRU网络进行商品推荐并给出解释路径。/n

【技术特征摘要】
1.一种基于时序性知识图谱的可解释商品推荐方法，其特征在于，包括以下步骤：
获取用户的历史点击序列，并基于历史点击序列构建时序性知识图谱，所述时序性知识图谱中包括多个时间段的实体和实体之间的关系；
基于初始实体，依次根据各个时间段的知识图谱进行设定步长的行为选择，获取各个时间段的状态及其真实值；所述状态包括初始实体、最终实体和相应路径；
根据各个时间段的状态及其真实值，采用GRU网络进行商品推荐并给出解释路径。


2.如权利要求1所述的一种基于时序性知识图谱的可解释商品推荐方法，其特征在于，基于历史点击序列构建时序性知识图谱包括：
根据设定时间间隔对历史点击序列进行分割；
对于每个时间段内的历史点击序列，获取其中的实体及关系，并根据实体与关系构建该时间段相应的知识图谱。


3.如权利要求2所述的一种基于时序性知识图谱的可解释商品推荐方法，其特征在于，根据实体与关系构建该时间段相应的知识图谱包括：
将每个实体和关系嵌入成固定长度的向量；
将每个实体及其ID以设定表达式形式写入知识图谱；
将关系双向添加至相应实体之间。


4.如权利要求1所述的一种基于时序性知识图谱的可解释商品推荐方法，其特征在于，获取各个时间段的状态包括以下步骤：
基于初始实体，查找知识图谱中所有与其连接的行为作为候选行为集合，并进行概率评估，选择概率评估最高的M个行为；
对于所述M个行为中的每个，查找知识图谱中所有与其连接的行为作为该行为的候选行为集合，并进行概率评估，选择概率评估最高的M个行为；重复该步骤，直至达到设定步长；得到包括初始实体、最终实体和相应路径状态集合。


5.如权利要求4所述的一种基于时序性知识图谱的可解释商品推荐方法，其特征在于，获取各个时间段的状态之前，还对各个时间段的知识图谱根据实体的度进行修剪...

【专利技术属性】
技术研发人员：刘士军，崔志红，潘丽，崔立真，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37