【技术实现步骤摘要】
一种知识增强的推荐方法和系统
本专利技术涉及计算机
,更具体地,涉及一种知识增强的推荐方法和系统。
技术介绍
随着互联网和信息技术的发展,信息爆炸的问题越来越严峻,导致有用的信息被淹没在日益膨胀的信息流中。针对信息爆炸或信息过益的问题,推荐系统起到至关重要的作用,是解决信息过益的有效工具。推荐系统利用用户、物品的历史数据和各种类型的其他知识,根据用户所处的环境和需求采用不同的推荐方法为用户推荐新物品。推荐系统具有非常广泛的应用价值,在电子商务平台如Amazon、淘宝等扮演着非常重要的角色,在多媒体平台如Nextfix、Youtube、腾讯视频等提供给用户不可或缺的推荐服务。传统的推荐方法通常包括基于内容的推荐方法和协同过滤方法。基于内容的推荐方法依赖可能的内容信息,例如用户的个人信息或推荐物品的描述内容信息等,来估计用户的行为模式并进行相关的推荐。协同过滤方法是通过分析大众的行为模式,利用兴趣相似或拥有相同经验的群体喜好来近似目标用户的兴趣。协同过滤包括基于存储的方法和基于模型的方法等。基于存储的方法是利用用户的历史行为数据,计算相似度或相关性而进行推荐,例如基于用户的协同过滤算法。基于模型的方法是设计机器学习的模型挖掘用户行为中的行为模式来进行推荐,经典的方法包括矩阵分解(Matrixfactorization)、概率矩阵分解(ProbabilisticMatrixFactorization)等。近年来,基于深度学习的推荐方法引起了学术界和工业界的广泛兴趣。例如,一项研究成果利用深度学习模型自 ...
【技术保护点】
1.一种知识增强的推荐方法,包括以下步骤:/n步骤S1:针对评论文档,提取全局层次的语义向量表示和语句层次的隐含向量表示,获得层次化的语义表示;/n步骤S2:利用知识库,检索与评论文档关联的语义知识,形成关联语义知识表示;/n步骤S3:融合所述层次化语义知识和所述关联语义知识表示,得到用户的语义知识增强表示、物品的语义知识增强表示以及用户-物品交互的语义知识增强表示;/n步骤S4:基于神经协同过滤框架,融合所得到的用户的语义知识增强表示、物品的语义知识增强表示以及用户-物品交互的语义知识增强表示,利用层次化的用户-物品交互机制预测交互评分,以生成物品推荐结果。/n
【技术特征摘要】
1.一种知识增强的推荐方法,包括以下步骤:
步骤S1:针对评论文档,提取全局层次的语义向量表示和语句层次的隐含向量表示,获得层次化的语义表示;
步骤S2:利用知识库,检索与评论文档关联的语义知识,形成关联语义知识表示;
步骤S3:融合所述层次化语义知识和所述关联语义知识表示,得到用户的语义知识增强表示、物品的语义知识增强表示以及用户-物品交互的语义知识增强表示;
步骤S4:基于神经协同过滤框架,融合所得到的用户的语义知识增强表示、物品的语义知识增强表示以及用户-物品交互的语义知识增强表示,利用层次化的用户-物品交互机制预测交互评分,以生成物品推荐结果。
2.根据权利要求1所述的知识增强的推荐方法,其特征在于,在步骤S1中,根据以下子步骤获得所述层次化的语义表示:
针对评论文档,构建词向量,并利用第一循环神经网络提取全局层次的语义隐含向量Sg,该全局层次的语义向量Sg包含全局的潜在语义信息;
以所构建的词向量为输入,应用第二循环神经网络提取语句层次的语义隐含向量表示Ss,该语句层次的隐含向量表示Ss包含细粒度的上下文信息的语义知识表示;
融合全局层次的语义隐含向量Sg和语句层次的隐含向量表示Ss,得到层次化的语义表示C=[Sg,Ss]。
3.根据权利要求2所述的知识增强的推荐方法,其特征在于,在步骤S2中,根据以下子步骤形成所述关联语义知识表示:
针对评论文档中的词,从知识库检索top-N相关概念,概念的向量表示;
对于每个词wi,利用注意力机制计算检索到的概念知识的关联影响βij=Attention(wi,cj),并计算增强概念表示其中cj是检索到的概念的向量表示,j是索引;
以所述概念知识的关联影响为输入,应用第三循环神经网络得到关联语义知识表示CA;
利用全局层次的语义向量表示Sg和关联语义知识表示CA构成增强语义键-值对,其中键为Sg,对应的值为CA;
采用多头注意力机制融合层次化的语义表示C和增强语义键-值对,得到深层次语义知识表示
4.根据权利要求3所述的知识增强的推荐方法,其特征在于,步骤S3包括:
对于用户和物品,采用独热编码表示所用用户和物品,并将独热编码映射成稠密空间的用户浅层表示u和物品浅层表示v;
通过串联操作得到用户的语义知识增强表示物品的语义知识增强表示以及用户-物...
【专利技术属性】
技术研发人员:吕子钰,乔宇,
申请(专利权)人:中国科学院深圳先进技术研究院,
类型:发明
国别省市:广东;44
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。