【技术实现步骤摘要】
一种基于知识图谱规则嵌入的组合商品挖掘方法
本专利技术涉及知识图谱规则领域，尤其是涉及一种基于知识图谱规则嵌入的组合商品挖掘方法。
技术介绍
在知识图谱中，用三元组(head,relation,tail)来表示知识。我们可以用独热向量来表示这个知识。但实体和关系太多，维度太大。当两个实体或关系很近时，独热向量无法捕捉相似度。受Wrod2Vec模型的启发，学术界提出了很多用分布表示来表示实体和关系的方法(KGE)，如TransE，TransH，TransR等等。这些模型的基本思想是通过对图结构的学习，可以用低维稠密向量来表示head、relation和tail。比如TransE，就是让head向量和relation向量的和尽可能靠近tail向量。在TransE中，一个三元组的得分为对于正确的三元组(h,r,t)∈△，应该有较低的得分，而错误的三元组(h′,r′,t′)∈△′，应该有比较高的得分，最终的损失函数为：知识图谱就只有正确的三元组(goldentriplet)，因此可以通过破坏一个正确三...
【技术保护点】
1.一种基于知识图谱规则嵌入的组合商品挖掘方法，其特征在于，包括：/n(1)构建商品的知识图谱，对于知识图谱中的每个三元组数据，头实体为商品I，关系为商品属性P，尾实体为商品属性值V；/n(2)将商品I、商品属性P、商品属性值V分别表示成embedding，并随机初始化若干个规则的embedding；/n(3)将规则的embedding和商品属性的embedding拼接输入到第一个神经网络中，得到商品属性的重要性分数s
【技术特征摘要】
1.一种基于知识图谱规则嵌入的组合商品挖掘方法，其特征在于，包括：
(1)构建商品的知识图谱，对于知识图谱中的每个三元组数据，头实体为商品I，关系为商品属性P，尾实体为商品属性值V；
(2)将商品I、商品属性P、商品属性值V分别表示成embedding，并随机初始化若干个规则的embedding；
(3)将规则的embedding和商品属性的embedding拼接输入到第一个神经网络中，得到商品属性的重要性分数s1；
(4)将规则的embedding和商品属性的embedding拼接输入到第二个神经网络中，得到该规则在该属性下应该取得的属性值的embedding：Vpred；
(5)将规则的embedding和商品属性的embedding拼接输入到第三个神经网络中，计算某条规则在某个属性下的属性值相同的概率分数p；
(6)若两个商品在某个属性下的属性值不同，计算Vpred和V1的相似度分数s21，以及Vpred和V2的相似度分数s22；若两个商品在该属性下的属性值相同，计算Vpred和Vture的相似度分数s2；
其中，V1表示两个商品中的一个商品在该属性下属性值的embedding，V2为另一个商品在该属性下属性值的embedding，Vture为该相同属性值的embedding；
(7)当某个属性的重要性分数s1大于阈值thres1，且在该属性下两个商品的属性值相同，则汇总得到这个属性-属性值对的分数scoreij为s1×(p+(1-p)×s2)；当某个属性的重要性分数s1大于thres1，且在该属性下两个商品的属性值不同，则汇总得到这个属性-属性值对的分数scoreij为0.5×s1×(s21+s22)；当某个属性的重要性分数s1小于等于thres1时，此时这个属性-属性值对的得分为0；
(8)汇总一个商品对的m个属性-属性值对的得分scoreij得到scorei：
(9)汇总n条规则下一个商品对的得分scorei，得到该商品对最终的得分score：
(10)将得到的一个商品对的score与两个是否属于组合品的标签0或者1比较得到交叉熵损失；基于梯度下降的优化算法迭代求解直至损失值收敛，三个神经网络的参数训练完毕，同时得到学习完规则的embedding；
(11)对于学习完规则的embedding，利用上述训练完毕的神经网络进行解析，得到商品组合的规则。
2.根据权利要求1所述的基于知识图谱规则嵌入的组合商品挖掘方法，其特征在于，步骤(2)中，将商品I、商品属性P、商品属性值V以及若干个规则都分别编号成一个id，然后每个id再构成一个onehot向量，之后将这个onehot向量映射成一个embedding，该embeding会随着模型训练过程不断优化。
3.根据权利要求1所述的基于知识图谱规则嵌入的组合商品挖掘方法，其特征在于，步骤(3)～(5...
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。