神经网络结合知识图谱的推荐方法、系统、终端、介质技术方案

本发明专利技术属于人工智能深度学习中的智能推荐系统技术领域，公开了一种神经网络结合知识图谱的推荐方法、系统、终端、介质，神经网络结合知识图谱的推荐系统包括：数据预处理模块、二部图矩阵构建模块、矩阵特征映射模块、表示向量获取模块、特征方阵构建模块、聚合模块、预测模型构建模块、top

【技术实现步骤摘要】
神经网络结合知识图谱的推荐方法、系统、终端、介质


[0001]本专利技术属于人工智能深度学习中的智能推荐系统
，尤其涉及一种神经网络结合知识图谱的推荐方法、系统、终端、介质。

技术介绍

[0002]目前，互联网信息过载，用户在使用的过程中不堪重负，信息使用者和创造者都遇到了很大的挑战：他们都面临如何从海量信息中找到对自己有价值的信息；让创造的信息被其他用户所关注，这一问题非常难以求解。为求解此问题，智能推荐系统被提出并成为研究热点。推荐系统帮助用户挖掘出对其有价值的信息，通过个性化的方式挖掘用户从大量的选择中发现他们可能感兴趣的商品，这在实际生活中是非常重要的，所以推荐系统一直受到业界和学术研究团体的显著关注。
[0003]推荐系统是对用户分析历史行为，得到用户的兴趣爱好，并对其进行建模，使用模型推荐出能够满足用户需要的个性化推推。以用户行为的推荐作为常见的推荐模型之一，如协同过滤(collaborative filtering，CF)，隐语义模型(latent factor model，LFM)；协同过滤推荐模型可以细分为基于用户的协同过滤和基于物品的协同过滤。
[0004]在一般推荐中，用户的兴趣和偏好被认为是静态的，并根据明显的或潜在的反馈来对用户和商品间的匹配程度进行建模，以图的方式来看推荐系统是在用户
‑
商品二部图的基础上来做预测任务。在推荐系统中，大多数的数据信息都可以用图的结构形式来表示。例如，用户之间的社会关系和与项目相关的知识图谱。此外，二部图是用户与项目之间交互的一种表示形式，项目在序列中的转换也可以构建为图。因此，研究工作者通常把用户
‑
项目的嵌入表示通过图结构的学习方法来获得。
[0005]鉴于传统的图神经网络表达能力有限，单纯以深度学习为主的模型推荐效果不够好，而蕴含大量先验知识的知识图谱作为一种语义网络拥有极强的表达和建模能力。传统的神经网络计算输出用户和商品表示之后，只是单纯的拼接处理，用户和商品之间没有交互性。因此，亟需一种新的应用于智能推荐系统的神经网络结合知识图谱的推荐方法。
[0006]通过上述分析，现有技术存在的问题及缺陷为：传统的神经网络计算输出用户和商品表示之后，只是单纯的拼接处理，用户和商品之间交互性不足，本专利技术加入了特征重塑和循环卷积用于提高交互性。现有的基于深度学习的推荐系统应用知识图谱推理较少，本专利技术将图神经网络和知识图谱推理结合，推荐效果更好。
[0007]解决以上问题及缺陷的难度为：
[0008]以上问题较难解决，常用神经网络模块需要编写pytorch代码，特征重塑和循环卷积需要算法设计与编程，聚合模块需要考虑邻居节点的数量，对邻居节点重要程度进行排序，全连接层神经网络第一层使用了优化，图神经网络部分和知识图谱推理部分结合时代码需要根据实际情况编程。
[0009]解决以上问题及缺陷的意义为：
[0010]在传统以深度学习为基础的图神经网络推荐系统中融入了知识图谱推理部分，是
一种技术上的创新和改进，在不同数据集上做了大量实验，实验效果比传统的图神经网络推荐系统都要好。在智能推荐系统中对用户进行项目的推荐更加准确有效。

技术实现思路

[0011]针对现有技术存在的问题，本专利技术提供了一种神经网络结合知识图谱的推荐方法、系统、终端、介质。具体涉及一种应用于智能推荐系统的神经网络结合知识图谱的推荐方法。
[0012]本专利技术是这样实现的，一种应用于智能推荐系统的神经网络结合知识图谱的推荐方法，所述应用于智能推荐系统的神经网络结合知识图谱的推荐方法包括以下步骤：
[0013]步骤一，下载推荐系统的用户
‑
项目数据集，进行数据的预处理，去除用户
‑
项目交互数小于10次的数据行，去除缺失数据的行和非数值字段，构建用户
‑
项目的训练集和测试集；
[0014]步骤二，根据用户
‑
项目和项目
‑
用户图结构关系，构建用户
‑
项目和项目
‑
用户的二部图矩阵，得到神经网络初始输入；
[0015]步骤三，将用户
‑
项目和项目
‑
用户矩阵进行特征映射，在特征映射部分，通过两层全连接层，分别输入用户矩阵和商品矩阵得到特征转换；
[0016]步骤四，得到特征映射向量后，计算节点与其周围一阶邻居节点的attention权重，聚合一阶邻居特征，得到用户和项目的表示向量；
[0017]步骤五，将两个表示向量通过两层全连接层后，进行特征重塑为特征方阵，输入到循环卷积层；
[0018]步骤六，针对智能推荐系统的实际应用场景，确定全连接层数，循环卷积层数，聚合邻居的数量，卷积核的个数、大小、步长、各层之间的顺序及输入数据的Shape；
[0019]步骤七，通过测试数据集验证神经网络模型的效果，并调整各参数，得到基于神经网络和知识图谱的智能推荐方法的最优预测模型；
[0020]步骤八，将待预测推荐的用户
‑
项目数据输入到预测模型，得到所有用户和所有项目的预测评分，最后总根据评分降序排序，进行top
‑
n推荐。
[0021]进一步，步骤二中，在用户部分的用户矩阵中，若用户购买某件商品并进行评分，则填入实际的评分值，若用户没有购买则填入的评分为0；在商品部分的商品矩阵中，若用户购买某件商品并进行评分，则填入实际的评分值，若用户没有购买则填入的评分为0；矩阵构建完成后，得到神经网络训练初始的输入，数据用于此次应用于智能推荐系统的神经网络结合知识图谱的推荐方法。
[0022]进一步，步骤三中，由于矩阵输入神经网络本身就是做矩阵的乘积，故神经网络中的全连接层记为Q
m
和W
m
，用户矩阵和商品矩阵分别记为P
i
和U
i
；和为两种矩阵通过第i层全连接层的特征映射矩阵：
[0023][0024][0025]进一步，步骤四中，聚合一阶邻居特征，给定图G＝(V，E)，V表示节点，E表示边，节
点的个数为N，输入为N个节点的特征h＝{h1，h2，
…
，h
N
}，输出为对节点h
i
和h
j
进行特征变换，充分表达节点的特征，W为全连接层的权重：
[0026]e
ij
＝Attention(Wh
i
，Wh
j
)；
[0027]对每一个节点进行self
‑
attention操作，计算节点与节点之间的注意力权重，使用softmax函数在集合N
i
中进行归一化，使系数在不同的节点易于比较：
[0028][0029]其中，N
i
为节点i的一阶邻居节点集合，最终Attention系数与节点的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于智能推荐系统的神经网络结合知识图谱的推荐方法，其特征在于，所述应用于智能推荐系统的神经网络结合知识图谱的推荐方法包括以下步骤：步骤一，下载推荐系统的用户
‑
项目数据集，进行数据的预处理，去除用户
‑
项目交互数小于10次的数据行，去除缺失数据的行和非数值字段，构建用户
‑
项目的训练集和测试集；步骤二，根据用户
‑
项目和项目
‑
用户图结构关系，构建用户
‑
项目和项目
‑
用户的二部图矩阵，得到神经网络初始输入；步骤三，将用户
‑
项目和项目
‑
用户矩阵进行特征映射，在特征映射部分，通过两层全连接层，分别输入用户矩阵和商品矩阵得到特征转换；步骤四，得到特征映射向量后，计算节点与其周围一阶邻居节点的attention权重，聚合一阶邻居特征，得到用户和项目的表示向量；步骤五，将两个表示向量通过两层全连接层后，进行特征重塑为特征方阵，输入到循环卷积层；步骤六，针对智能推荐系统的实际应用场景，确定全连接层数，循环卷积层数，聚合邻居的数量，卷积核的个数、大小、步长、各层之间的顺序及输入数据的Shape；步骤七，通过测试数据集验证神经网络模型的效果，并调整各参数，得到基于神经网络和知识图谱的智能推荐方法的最优预测模型；步骤八，将待预测推荐的用户
‑
项目数据输入到预测模型，得到所有用户和所有项目的预测评分，最后总根据评分降序排序，进行top
‑
n推荐。2.如权利要求1所述应用于智能推荐系统的神经网络结合知识图谱的推荐方法，其特征在于，步骤二中，在用户部分的用户矩阵中，若用户购买某件商品并进行评分，则填入实际的评分值，若用户没有购买则填入的评分为0；在商品部分的商品矩阵中，若用户购买某件商品并进行评分，则填入实际的评分值，若用户没有购买则填入的评分为0；矩阵构建完成后，得到神经网络训练初始的输入，数据用于此次应用于智能推荐系统的神经网络结合知识图谱的推荐方法。3.如权利要求1所述应用于智能推荐系统的神经网络结合知识图谱的推荐方法，其特征在于，步骤三中，由于矩阵输入神经网络本身就是做矩阵的乘积，故神经网络中的全连接层记为Q
m
和W
m
，用户矩阵和商品矩阵分别记为P
i
和U
i
；和为两种矩阵通过第i层全连接层的特征映射矩阵：接层的特征映射矩阵：4.如权利要求1所述应用于智能推荐系统的神经网络结合知识图谱的推荐方法，其特征在于，步骤四中，聚合一阶邻居特征，给定图G＝(V，E)，V表示节点，E表示边，节点的个数为N，输入为N个节点的特征h＝{h1，h2，...，h
N
}，输出为对节点h
i
和h
j
进行特征变换，充分表达节点的特征，W为全连接层的权重：e
ij
＝Attention(Wh
i
，Wh
j
)；对每一个节点进行self
‑
attention操作，计算节点与节点之间的注意力权重，使用
softmax函数在集合N
i
中进行归一化，使系数在不同的节点易于比较：其中，N
i
为节点i的一阶邻居节点集合，最终Attention系数与节点的特征进行线性组合，输出节点特征结果：聚合一阶邻居后分别得到用户和项目的表示。5.如权利要求1所述应用于智能推荐系统的神经网络结合知识图谱的推荐方法，其特征在于，步骤五中，在得到用户和项目的表示后，将用户和商品的特征表示两个n*1的向量进行特征的重塑为的特征矩阵，并进行循环卷积；将特征矩阵拉伸成一行或者一列输入到两层全连接层神经网络中，最终输出一个用户和项目分数：g2＝σ(W2·
g1+b2)；g
l
＝σ(W
l
·
g
l
‑1+b
l
)；r
ui
＝W
T
·
g
l
；其中，W
l
表示第l层全连接层神经网络，g
l
表示第l层的输入或输出，b
l
表示第l层的偏置项，σ表示激活函数，W
T
表示矩阵的转置，r
ui
表示最终的用户和项目评分。6.如权利要求1所述应用于智能推荐系统的神经网络结合知识图谱的推荐方法，其特征在于，步骤六中，神经网络的设计与搭建基于pytorch框架，根据数据集确定全连接等的层数，一阶邻居聚合的邻居个数，当得到用户和项目的表示后，将用户和商品的特征表示两个n*1的向量进行特征的重塑为的特征矩阵，把反震当作一幅图像来处理，确定神经网络结构的参数：Shape，Filter，Strides，Padding；数据的维度与图像的宽对应，每行数据与图像的高对应，Shape为32，72，128中的一个，F...

【专利技术属性】
技术研发人员：康雁，袁艳聪，李浩，杨学昆，王海宁，谢思宇，许忠明，
申请(专利权)人：云南大学，
类型：发明
国别省市：