一种基于知识图谱的用户群组推荐系统及方法技术方案

本发明专利技术公开了一种基于知识图谱的用户群组推荐系统，基于该系统的用户群组推荐方法为：构建协同知识图谱，并聚合节点邻居以获取协同知识图谱中节点的最高阶表示，然后通过最高阶表示和注意力机制获取用户群组和物品特征，构建分数预测函数；以分数预测函数构建损失函数以更新可学习参数，并通过更新后的可学习参数获取物品的预测分数，将预测分数最高的若干物品推荐给用户群组。本发明专利技术在为用户群组推荐物品时，能够避免数据稀疏的问题，并且能够准确的推荐用户感兴趣的物品。够准确的推荐用户感兴趣的物品。够准确的推荐用户感兴趣的物品。

【技术实现步骤摘要】
一种基于知识图谱的用户群组推荐系统及方法


[0001]本专利技术属于推荐系统领域，具体涉及一种基于知识图谱的用户群组推荐系统及方法。

技术介绍

[0002]随着大数据时代的到来，数据开始呈爆炸式增长。为了解决信息过载的问题，推荐系统被广泛应用于电子商务、内容共享、社交网络、论坛等在线服务领域。随着移动互联网接入时代的到来，人们可以越来越方便地在网上聚会，进行集体活动，如吃饭、看电影或旅行。这些人可能彼此很熟悉，比如在一个家庭或有几个共同的朋友。用户群组也可以是在一个活动中偶然相遇的一群人，例如加入一个旅游团的几个旅行者。这时，推荐系统需要为这类人群推荐一个或几个适合的物品。除了面向个人的推荐系统，也需要面向用户群组的推荐系统。
[0003]群组的类型可分为持久性群组和偶发性群组两类。持久性群组是一个预先定义好的群组，如具有稳定成员的家庭，而偶发性群组是临时形成的，临时群组中的成员可能没有太大社会关系。对于持久性群组推荐，可以将每个群组视为一个特殊的个人，直接使用面向个人推荐的方法。然而，对于偶发性群组，成员之间很少相聚，群组和物品的交互记录太少(数据稀疏性问题)，无法直接去得到群组的偏好，传统的协同过滤算法也受制于数据稀疏性问题。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种基于知识图谱的用户群组推荐系统及方法解决了现有技术中存在的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于知识图谱的用户群组推荐系统，包括依次连接的信息传播模块、偏好聚合模块和优化模块；
[0006]所述信息传播模块用于构建协同知识图谱以及聚合协同知识图谱中某一节点的邻居节点和获取节点的高阶表示；所述偏好聚合模块用于根据节点的高阶表示获取用户群组的特征表示；所述优化模块用于优化可学习参数。
[0007]本专利技术的有益效果为：提供一种基于知识图谱的用户群组推荐系统。知识图谱帮助解决数据稀疏性问题并能帮助捕捉用户之间的联系。注意力机制可充分考虑聚合用户的偏好特征过程中物品和用户间的影响以得到群组的偏好特征，成对损失函数帮助获取更好的群组偏好特征并为用户群组推荐物品。
[0008]一种基于知识图谱的用户群组推荐方法，包括以下步骤：
[0009]S1、采集物品知识图谱，为用户群组推荐系统数据集中物品寻找对应实体以及为用户在物品知识图谱中新建一个实体，得到协同知识图谱；
[0010]S2、聚合协同知识图谱中节点e的邻居节点，得到邻居聚合表示；
[0011]S3、根据邻居聚合表示获取节点e的高阶表示，并以节点e的高阶表示为基础获取
节点e的第H阶表示；
[0012]S4、根据节点e的第H阶表示和注意力机制获取用户群组特征表示；
[0013]S5、通过用户群组的特征表示计算正物品和负物品的预测分数，并通过正负物品的预测分数构建损失函数；
[0014]S6、使用Adam算法使损失函数最小，得到物品预测分数函数；
[0015]S7、根据步骤S1至S5的方法，使用物品预测分数函数获取推荐系统对应的物品预测分数，并将预测分数最大的N个物品推荐给用户群组。
[0016]进一步地，所述步骤S1包括以下步骤：
[0017]S1.1、采集物品知识图谱，将用户群组推荐系统数据集中用户选择过的物品作为正物品，其他物品作为负物品；
[0018]S1.2、在物品知识图谱中搜寻用户群组推荐系统数据集中正负物品对应的实体，并将有多个对应实体和没有对应实体的物品删除；
[0019]S1.3、将保留的物品与物品知识图谱中实体对应，将用户作为新的实体添加至物品知识图谱中，并在知识图谱中添加连接用户和物品的关系，将用户与有交互记录的物品连接，得到协同知识图谱。
[0020]进一步地，所述步骤S2中邻居聚合表示e
Ne
具体为：
[0021][0022]其中，表示节点e的邻居e
t
的权重，N
e
表示节点e的直接相邻的邻居集合，e
t
∈N
e
，r表示节点e与其邻居e
t
之间的关系；G表示协同知识图谱中的三元组集合，所述三元组包含两个实体及两个实体之间的关系，e
t
表示邻居e
t
的当前阶表示；
[0023]所述权重具体为：
[0024][0025]其中，exp表示指数函数，π(e,r
i
,e
i
)表示与节点e的关系为r
i
的邻居e
i
的重要性；
[0026]所述邻居重要性π(e,r,e
t
)具体为：
[0027]π(e,r,e
t
)＝i
e
·
r
[0028]其中，节点e为用户时，i
e
表示与节点e交互的物品零阶表示；节点e为物品时，i
e
表示与节点e交互的用户组中所有用户的零阶表示平均值；r表示关系r的向量表示。
[0029]进一步地，所述步骤S3包括以下分步骤：
[0030]S3.1、根据邻居聚合表示，更新节点e的高一阶表示e'为：
[0031]e'＝Relu(W(e+e
Ne
)+b)
[0032]其中，W表示第一学习参数，b表示第二学习参数，e表示节点e的当前阶表示；
[0033]S3.2、根据权重获取邻居聚合表示e
Ne
的第h-1阶表示为：
[0034][0035]其中，表示邻居节点e
t
在第h-1阶的表示；
[0036]S3.3、根据节点e的高一阶表示e'的表达式和获取节点e的第h阶表示e
h
为：
[0037][0038]S3.4、根据步骤S3.2-S3.3所述方法获取节点e的第H阶表示。
[0039]进一步地，所述步骤S4包括以下分步骤：
[0040]S4.1、根据节点e的第H阶表示获取用户节点u
i
和物品节点v的最高阶表示，并获取协同知识图谱中用户节点u
i
对物品节点v的偏好得分a
SP
(g,i,v)为：
[0041]a
SP
(g,i,v)＝u
i
·
v
[0042]其中，g表示用户节点u
i
所在用户组，i＝1,2,...,I，I表示用户组g中用户的总数，v表示物品节点v的最高阶表示，u
i
表示用户节点u
i
的最高阶表示；
[0043]S4.2、利用注意力机制，获取用户组g内其他人对用户节点u
i
的重要度a
PI
(g,i)为：
[0044][0045]其中，v
c
表示第三学习参数，W本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的用户群组推荐系统，其特征在于，包括依次连接的信息传播模块、偏好聚合模块和优化模块；所述信息传播模块用于构建协同知识图谱以及聚合协同知识图谱中某一节点的邻居节点和获取节点的高阶表示；所述偏好聚合模块用于根据节点的高阶表示获取用户群组的特征表示；所述优化模块用于优化可学习参数。2.一种基于知识图谱的用户群组推荐方法，其特征在于，包括以下步骤：S1、采集物品知识图谱，为用户群组推荐系统数据集中物品寻找对应实体以及为用户在物品知识图谱中新建一个实体，得到协同知识图谱；S2、聚合协同知识图谱中节点e的邻居节点，得到邻居聚合表示；S3、根据邻居聚合表示获取节点e的高阶表示，并以节点e的高阶表示为基础获取节点e的第H阶表示；S4、根据节点e的第H阶表示和注意力机制获取用户群组特征表示；S5、通过用户群组的特征表示计算正物品和负物品的预测分数，并通过正负物品的预测分数构建损失函数；S6、使用Adam算法使损失函数最小，得到物品预测分数函数；S7、根据步骤S1至S5的方法，使用物品预测分数函数获取推荐系统对应的物品预测分数，并将预测分数最大的N个物品推荐给用户群组。3.根据权利要求2所述基于知识图谱的用户群组推荐方法，其特征在于，所述步骤S1包括以下步骤：S1.1、采集物品知识图谱，将用户群组推荐系统数据集中用户选择过的物品作为正物品，其他物品作为负物品；S1.2、在物品知识图谱中搜寻用户群组推荐系统数据集中正负物品对应的实体，并将有多个对应实体和没有对应实体的物品删除；S1.3、将保留的物品与物品知识图谱中实体对应，将用户作为新的实体添加至物品知识图谱中，并在知识图谱中添加连接用户和物品的关系，将用户与有交互记录的物品连接，得到协同知识图谱。4.根据权利要求2所述基于知识图谱的用户群组推荐方法，其特征在于，所述步骤S2中邻居聚合表示e
Ne
具体为：其中，表示节点e的邻居e
t
的权重，N
e
表示节点e的直接相邻的邻居集合，e
t
∈N
e
，r表示节点e与其邻居e
t
之间的关系；G表示协同知识图谱中的三元组集合，所述三元组包含两个实体及两个实体之间的关系，e
t
表示邻居e
t
的当前阶表示；所述权重具体为：其中，exp表示指数函数，π(e,r
i
,e
i
)表示与节点e的关系为r
i
的邻居e
i
的重要性；
所述邻居重要性π(e,r,e
t
)具体为：π(e,r,e
t
)＝i
e
·
r其中，节点e为用户时，i
e
表示与节点e交互的物品零阶表示；节点e为物品时，i
e
表示与节点e交互的用户组中所有用户的零阶表示平均值；r表示关系r的向量表示。5.根据权利要求4所述基于知识图谱的用户群组推荐方法，其特征在于，所述步骤S3包括以下分步骤：S3.1、根据邻居聚合表示，更新节点e的高一阶表示e'为：e'＝Relu(W(e+e
Ne
)+b)其中，W...

【专利技术属性】
技术研发人员：邵杰，邓智毅，李长宇，刘树锦，申恒涛，
申请(专利权)人：四川省人工智能研究院宜宾，
类型：发明
国别省市：