一种融合知识图谱和用户交互的图模型智能商品推荐方法技术

本发明专利技术公开了一种融合知识图谱和用户交互的图模型智能商品推荐方法，其步骤包括：1、采集用户对商品的历史交互记录数据，构建用户商品交互矩阵Y用于训练推荐模型，并构建用户商品交互二分图；2、采集商品属性特征及属性之间的关联特征，利用先验知识构建知识图谱；3、构建融合知识图谱和用户交互的推荐模型，选取合适的损失函数来优化模型参数和特征向量；4、利用推荐模型预测用户对未交互过的商品未来产生交互的概率，选择交互概率最大的商品推荐给用户，从而完成商品推荐任务。本发明专利技术结合了知识图谱和交互二分图上的图卷积操作，可以更充分的捕捉知识图谱所携带的语义、结构信息，从而实现更准确的推荐效果。从而实现更准确的推荐效果。从而实现更准确的推荐效果。

【技术实现步骤摘要】
一种融合知识图谱和用户交互的图模型智能商品推荐方法


[0001]本专利技术属于基于图卷积的数据挖掘推荐系统领域，主要是涉及一种融合知识图谱知识因子的商品推荐方法。

技术介绍

[0002]近年来，伴随着互联网技术的快速发展，人们可以接触网络中大量的数据信息，然而随着信息量的逐步发展，人们在享受互联网带来的获取信息的便利的同时，不可避免的陷入了如何快速的从众多信息中找到自己所需的那部分内容，也即信息过载的问题。为了解决信息过载造成的影响，个性化推荐系统逐渐吸引了国、内外的研究者们的广泛兴趣，个性化推荐，旨在为特定用户量身定制其感兴趣的信息内容，自动的推送给用户，减少种类繁多的信息给用户带来的困扰。个性化推荐系统的核心，就是系统内所设计的个性化推荐算法，从已有的用户数据中分析用户行为、建模用户兴趣、挖掘用户需求。
[0003]传统的推荐算法使用协同过滤作为基础，它利用用户以往对商品的交互记录(如购买、点击等)，来对用户和商品进行特征建模，将其映射到潜在语义空间中的向量表示，再使用特定操作如内积或神经网络来拟合已有的交互记录，训练得到最佳的特征向量表示。然而，基于协同过滤的推荐方法往往存在一些问题：对于新加入系统的用户，由于数据库中没有他们的历史记录从而无法挖掘出他们的兴趣偏好而无法精准的进行个性化推荐，这被称为冷启动问题；由于用户数目和商品数目的大量增长，单个用户所能交互的商品数量有限，使得交互矩阵中包含大量的空白元素，被称为数据稀疏问题。
[0004]为了解决上述一些问题，研究人员通常会使用除了交互历史以外的一些辅助信息，比如商品的固有属性，用户的社交关系等。知识图谱是一种有向信息异构图，内部可以蕴涵现实世界中实体所带有的丰富的语义信息和关联信息，作为推荐系统中的一种有效的辅助信息，近年来被研究者们所青睐。现有的基于知识图谱的推荐方法主要可以分为两类：基于嵌入的方法和基于路径的方法。基于嵌入的方法主要是通过图嵌入的方法对图谱中各种实体和关联关系进行向量建模，进而扩充原有商品和用户表达的语义信息，然而这种方法侧重于对严格的语义关联进行建模，往往忽视了知识图谱中节点自身的属性信息，从而无法准确的建模用户对节点内容属性的偏好，导致推荐的精度降低；基于路径的方法注重于挖掘基于图谱用户、商品之间多种连接关系，提取携带高阶信息的路径并将其输入预测模型，但由于路径的选择对最终性能有很大影响，并且路径的定义需要很大的人工操作和一定的领域知识，在实际情况下，很难得到最优的连接路径，从而无法完全发挥知识图谱在推荐算法中的作用。推荐模型需要同时建模用户和商品，而现有的方法通常只在商品端聚集知识图谱的信息，模型训练出的用户特征向量和商品特征向量之间存在了一定程度的信息隔阂，导致模型预测函数难以准确计算出用户对商品向量中包含的知识信息的偏好程度，降低了推荐模型的质量。

技术实现思路

[0005]针对上述现有技术中存在的诸多问题，本专利技术提出一种融合知识图谱和用户交互的图模型智能商品推荐方法，以期能更充分的捕捉知识图谱所携带的语义、结构信息，丰富用户和商品特征向量，从而能提高商品推荐的多样性和精确度。
[0006]本专利技术为了解决技术问题采用如下技术方案：
[0007]本专利技术一种融合知识图谱和用户交互的图模型智能商品推荐方法的特点是按如下步骤进行：
[0008]步骤1、采集用户对商品的历史交互记录数据并进行预处理，形成交互数据集L用于训练模型，将用户和商品视为两类不同的节点，历史交互记录视为用户节点和商品节点之间的一条边，从而构建用户
‑
商品的交互二分图G
I
；
[0009]步骤2、收集交互数据集L中商品所拥有的属性信息以及商品与属性之间、属性与属性之间的关联信息，利用先验知识，构建包含商品节点、商品自身各种属性节点及关联信息的知识图谱G
K
；
[0010]步骤3、统计交互数据集L中用户数量m，知识图谱G
K
中实体节点数量n，知识图谱G
K
中关联类型数量h，设置潜在语义特征向量的维度为d，利用随机初始化的方法构建m
×
d维的用户特征矩阵U、n
×
d维的实体节点特征矩阵E以及h
×
d维的关联类型特征矩阵R，并将用户、实体节点和关联类型按照序号分别映射为相应特征矩阵中的特征向量；
[0011]步骤4、在知识图谱G
K
上搭建基于注意力机制的知识图卷积网络；
[0012]步骤4.1、针对任一用户节点u和商品节点i，将用户特征矩阵U中用户u的特征向量p
u
和实体节点特征矩阵E中商品i的特征向量q
i
作为输入，利用式(1)和式(2)分别量化知识图谱G
K
中与商品i有相连关系的第j个属性节点n
j
的属性因子和关联因子
[0013][0014][0015]式(1)中，是知识图谱G
K
中与商品i有相连关系的第j个属性节点n
j
的特征向量，W1和W2是两个可训练的参数矩阵，LeakyRelu(
·
)是非线性的激活函数；
[0016]式(2)中，是商品节i与第j个属性节点n
j
之间关联类型的特征向量；
[0017]步骤4.2、利用式(3)得到第j个属性节点n
j
需要传递给商品i信息的权重
[0018][0019]式(3)中，M(i)是知识图谱G
K
中商品节点i所有关联属性节点的集合；
[0020]步骤4.3、利用式(4)构建知识图卷积网络，得到融合商品节点i所有属性节点的商品特征向量
[0021][0022]步骤5、根据交互二分图G
I
，利用式(5)构建二次知识传播网络，得到融合用户u所
有交互过的商品信息的用户特征向量
[0023][0024]式(5)中，N(u)为用户u交互过的商品组成的集合；
[0025]步骤6、利用式(6)计算用户节点u和商品节点i在未来产生交互的概率
[0026][0027]步骤7、利用式(7)构建LogLoss损失函数，并用于迭代训练模型，使得LogLoss损失函数不断下降直至收敛，从而得到最终有效的用户特征矩阵U
*
、实体节点特征矩阵E
*
、关联类型特征矩阵R
*
：
[0028][0029]式(7)中，N表示交互数据集L的交互记录数量，Y
+
表示交互数据集L中有效的用户商品历史交互数据并作为训练的正样本，Y
‑
表示与正样本数量相同的随机采样的未产生交互的用户
‑
商品二元组集合，并作为训练的负样本，λ是正则化的系数，θ是模型中所有需要训练的参数，包括用户特征矩阵U、实体节点特征矩阵E、关联类型特征矩阵R以及参数矩阵W1和W2；
[0030]步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合知识图谱和用户交互的图模型智能商品推荐方法，其特征是按如下步骤进行：步骤1、采集用户对商品的历史交互记录数据并进行预处理，形成交互数据集L用于训练模型，将用户和商品视为两类不同的节点，历史交互记录视为用户节点和商品节点之间的一条边，从而构建用户
‑
商品的交互二分图G
I
；步骤2、收集交互数据集L中商品所拥有的属性信息以及商品与属性之间、属性与属性之间的关联信息，利用先验知识，构建包含商品节点、商品自身各种属性节点及关联信息的知识图谱G
K
；步骤3、统计交互数据集L中用户数量m，知识图谱G
K
中实体节点数量n，知识图谱G
K
中关联类型数量h，设置潜在语义特征向量的维度为d，利用随机初始化的方法构建m
×
d维的用户特征矩阵U、n
×
d维的实体节点特征矩阵E以及h
×
d维的关联类型特征矩阵R，并将用户、实体节点和关联类型按照序号分别映射为相应特征矩阵中的特征向量；步骤4、在知识图谱G
K
上搭建基于注意力机制的知识图卷积网络；步骤4.1、针对任一用户节点u和商品节点i，将用户特征矩阵U中用户u的特征向量p
u
和实体节点特征矩阵E中商品i的特征向量q
i
作为输入，利用式(1)和式(2)分别量化知识图谱G
K
中与商品i有相连关系的第j个属性节点n
j
的属性因子和关联因子和关联因子和关联因子式(1)中，是知识图谱G
K
中与商品i有相连关系的第j个属性节点n
j
的特征向量，W1和W2是两个可训练的参数矩阵，LeakyRelu(
·
)是非线...

【专利技术属性】
技术研发人员：薛峰，周文杰，洪自坤，盛一城，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：