一种知识图谱层次信息与推荐系统结合的新方法技术方案

本发明专利技术公开了一种知识图谱层次信息与推荐系统结合的新方法包括：利用框架模型中输入信息层获取原始信息；将所述部分原始信息嵌入至嵌入层，用于捕获项目之间的层次结构；将所述层次结构发送至联合学习层，用于交叉训练获取模型最优参数；利用预测层对所述最优参数进行效果评价并输出最终预测结果。本发明专利技术将项目推荐任务和链接预测任务以端到端方式结合在一起，整体以端到端的方式运行，能够捕获数据网络之间的层次结构，实现对具有层次结构的数据进行精确的预测和推荐，以及对不完整的知识图谱进行补全。图谱进行补全。图谱进行补全。

【技术实现步骤摘要】
一种知识图谱层次信息与推荐系统结合的新方法


[0001]本专利技术涉及机器学习中知识表示学习领域、图神经网络、推荐系统领域，具体为一种知识图谱层次信息与推荐系统结合的新方法。

技术介绍

[0002]由于大数据和深度学习的发展，知识图谱在推荐系统、对话系统和搜索引擎等领域受到了广泛关注。其中推荐系统被广泛采用，帮助用户获得最喜欢的商品、建议或服务。早期的推荐系统主要使用协同过滤(CF)来推荐项目。然而，在真实的推荐场景中，CF经常遇到数据稀疏和冷启动问题。
[0003]因此建议将边信息整合到CF中，如引入社交网络、上下文相关的评论信息、知识图谱。知识图谱(KG)可以从三个方面提高推荐系统的性能:从节点的角度，KG引入了项目之间的语义关联，有助于发现项目之间潜在的关联，提高推荐项目的准确率；从边的角度，KG中具有各种类型的关系,这有利于用户利益,并增加推荐的性能；KG连接用户的多样性历史推荐路径,能够增强推荐系统的可解释性。
[0004]但是，KG在目前阶段将其迁移至推荐系统存在局限性，同时现有的知识图嵌入模型主要集中于对称/反对称、反转、合成等关系模式的建模，无法对语义层次结构建模，并且层次结构在推荐系统中也十分常见，例如，两个项目(如演员和导演)，来自不同领域但密切相关的类别的人很可能与他们的职能有着互补的关系，这种项目之间的层次关系可以极大地提高推荐的性能，而目前的知识图嵌入模型还无法对此精确进行预测推荐。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述现有文本检测过程中存在的问题，提出了本专利技术。
[0007]因此，本专利技术解决的技术问题是：目前的方法无法对语义层次结构建模，无法对具有层次结构的项目数据进行精准预测和推荐的问题。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：一种知识图谱层次信息与推荐系统结合的新方法，包括：
[0009]利用框架模型中输入信息层获取原始信息；
[0010]将所述原始信息嵌入至嵌入层，用于捕获项目之间的层次结构；
[0011]将所述层次结构发送至联合学习层，用于交叉训练获取模型最优参数；
[0012]利用预测层对所述最优参数进行效果评价并输出最终预测结果。
[0013]作为本专利技术所述的知识图谱层次信息与推荐系统结合的新方法的一种优选方案，其中：所述框架模型为共生系统，包括所述输入信息层、所述嵌入层、所述联合学习层以及所述预测层。
[0014]作为本专利技术所述的知识图谱层次信息与推荐系统结合的新方法的一种优选方案，其中：所述输入信息层包括，知识图谱、用户—项目交互矩阵和一组项目—实体对齐项。
[0015]作为本专利技术所述的知识图谱层次信息与推荐系统结合的新方法的一种优选方案，其中：所述嵌入层包括，
[0016]使用GCN捕获项目之间的所述层次结构，一个包含两层GCN模型可以表示为：
[0017][0018]其中，X表示特征矩阵，A表示邻接矩阵，表示度矩阵；
[0019]其中，表示为：
[0020][0021]获取到所述层次结构后，使用层次记录模块作为推荐任务的嵌入模型。
[0022]还包括对应的损失函数为：
[0023][0024]其中，Y表示真实值，表示预测值，L
2为
正则化参数。
[0025]作为本专利技术所述的知识图谱层次信息与推荐系统结合的新方法的一种优选方案，其中：所述嵌入模型包括模量部分和相位部分，
[0026]所述模量部分表示为：
[0027][0028]其中i_h
m
,i_t
m
∈R
k
，
[0029]对应的距离函数为：
[0030][0031]其中i_h,i_t,r分别表示所述推荐任务中头实体、尾实体和关系的嵌入表示。下标m表示所述模量部分的头实体和尾实体；
[0032]所述相位部分表示为：
[0033][0034]其中i_h
p
,r
p
,i_t
p
∈[0,2π)
k
；
[0035]对应的距离函数为：
[0036][0037]作为本专利技术所述的知识图谱层次信息与推荐系统结合的新方法的一种优选方案，其中：依据所述模量部分和所述相位部分，所述层次记录模块表示为：
[0038][0039]其中i_h
m
,i_t
m
∈R
k
，i_h
p
,r
p
,i_t
p
∈[0,2π)
k
。
[0040]所述层次记录模块的距离函数为：
[0041][0042]其中λ1,λ2∈R。
[0043]作为本专利技术所述的知识图谱层次信息与推荐系统结合的新方法的一种优选方案，其中：所述嵌入模型的得分函数为：
[0044][0045]作为本专利技术所述的知识图谱层次信息与推荐系统结合的新方法的一种优选方案，其中：所述联合学习层包括链接预测任务和推荐任务；
[0046]所述链接预测任务采用带有自对抗训练的负采样损失函数训练，表示为：
[0047][0048]其中γ是个固定值，(h
′
i
,r,t
′
i
)是第i个负样本；
[0049]所述推荐任务使用bprLoss训练，表示为：
[0050][0051]其中(u,i)是正样本，(u,i
′
)是负样本，g(u,i),g(u,i
′
)表示正负样本的得分。
[0052]作为本专利技术所述的知识图谱层次信息与推荐系统结合的新方法的一种优选方案，其中：所述联合学习层还包括：采用使用总目标函数对所述框架模型共生系统训练，表示为：
[0053]L＝λL1+(1
‑
λ)L2[0054]其中L1,L2分别表示知识图谱中链接预测的损失函数和推荐系统中项目推荐的损失函数，λ为一个平衡两个任务的超参数。
[0055]作为本专利技术所述的知识图谱层次信息与推荐系统结合的新方法的一种优选方案，其中：所述预测层包括推荐任务预测结果和链接预测结果；
[0056]所述推荐任务预测结果根据排名标准给出，所述排名标准表示为：
[0057][0058]其中i表示推荐系统里面的项目，U
u
表示用户u的嵌入表示，e
jn
表示项目n的嵌入表示；
[0059]所述链接预测结果基于得分函数给出，所述得分函数表示为：
[0060]<h,r,？>:f1&a本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种知识图谱层次信息与推荐系统结合的新方法，其特性在于，包括：利用框架模型中输入信息层获取原始信息；将所述原始信息嵌入至嵌入层，用于捕获项目之间的层次结构；将所述层次结构发送至联合学习层，用于交叉训练获取模型最优参数；利用预测层对所述最优参数进行效果评价并输出最终预测结果。2.如权利要求1所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：所述框架模型为共生系统，包括所述输入信息层、所述嵌入层、所述联合学习层以及所述预测层。3.如权利要求1或2所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：所述输入信息层包括，知识图谱、用户—项目交互矩阵和一组项目—实体对齐项。4.如权利要求3所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：所述嵌入层包括，使用GCN捕获项目之间的所述层次结构，一个包含两层GCN模型可以表示为：其中，X表示特征矩阵，A表示邻接矩阵，其中，X表示特征矩阵，A表示邻接矩阵，表示度矩阵；其中，表示为：获取到所述层次结构后，使用层次记录模块作为推荐任务的嵌入模型；还包括对应的损失函数为：其中，Y表示真实值，表示预测值，L2为正则化参数。5.如权利要求4所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：所述嵌入模型包括模量部分和相位部分，所述模量部分表示为：其中i_h
m
,i_t
m
∈R
k
，对应的距离函数为：其中i_h,i_t,r分别表示所述推荐任务中头实体、尾实体和关系的嵌入表示。下标m表示所述模量部分的头实体和尾实体；所述相位部分表示为：其中i_h
p
,r
p
,i_t
p
∈[0,2π)
k
；
对应的距离函数为：6.如权利要求5所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：依据所述模量部分和所述相位部分，所述层次记录模块表示为：其中i_h
m
,i_t
m
∈R
k
，i_h
p
,r
p
,i_t
...

【专利技术属性】
技术研发人员：杜海舟，汤悦，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：