【技术实现步骤摘要】
一种推荐方法、推荐网络及相关设备
[0001]本申请实施例涉及人工智能领域,尤其涉及一种推荐方法、推荐网络及相关设备。
技术介绍
[0002]人工智能(artificial intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
[0003]随着互联网信息技术的发展,尤其是电子商务的兴起,互联网内容呈现爆炸式的增长,逐渐进入海量数据时代。用户面对琳琅满目并且种类繁杂的商品、电影、音乐、视频等各种物品时,却无所适从,这就是经常提到的信息过载问题。
[0004]因此,如何精准的在大量的物品中为用户推荐合适的物品是亟需解决的技术问题。
技术实现思路
[0005]本申请实施例提供了一种推荐方法、推荐网络以及相关设备,可以基于所述知识图谱以及用户的信息运行神经网络,以得到推荐结果,其中,神经网络用于基于知识图谱中的至少一个第一方向和至少一个第二方向计算以得到推荐结果,提供了一种新的推荐方法,能够得到更为精准的推荐结果,即提升推荐结果的精准率和/或召回率,可以应用在电影推荐、游戏推荐等向用户推荐物品的场景。
[0006]本申请实施例第一方面提供了一种推荐方法,该方法可以由推 ...
【技术保护点】
【技术特征摘要】
1.一种推荐方法,其特征在于,所述方法包括:获取知识图谱,所述知识图谱中包括多个用于指示物品的第一实体和多个用于指示物品属性的第二实体;基于所述知识图谱以及用户的信息运行神经网络,以得到推荐结果,所述用户的信息指示所述用户的历史记录涉及的物品或者物品属性,所述推荐结果包括被推荐物品,所述神经网络用于基于所述知识图谱中的至少一个第一方向和至少一个第二方向计算以得到所述推荐结果,所述第一方向起始于指示所述被推荐物品或者待推荐物品的第一实体,所述第二方向起始于指示所述用户的历史记录涉及的物品的第一实体,或者起始于指示所述用户的历史记录涉及的物品属性的第二实体。2.根据权利要求1所述的方法,其特征在于,所述推荐结果还包括对所述被推荐物品的解释,所述解释与一个第一方向和一个第二方向相关。3.根据权利要求1所述的方法,其特征在于,所述基于所述知识图谱以及用户的信息运行神经网络,以得到推荐结果,包括:基于所述知识图谱以及所述用户的信息,在所述知识图谱中提取多条路径,每条所述路径指示所述路径两端的实体之间的关联,每条所述路径的一端对应待推荐物品,另一端对应所述用户的历史记录涉及的物品或物品属性;将所述多条路径输入所述神经网络以对多个待推荐物品打分,以使所述神经网络得到所述推荐结果,所述神经网络用于基于所述多条路径各自的第一方向和第二方向计算以得到所述推荐结果,对于一条路径,所述第一方向是所述路径的一端指向所述路径的另一端,所述第二方向是所述路径的另一端指向所述路径的一端。4.根据权利要求1所述的方法,其特征在于,所述基于所述知识图谱以及所述用户信息运行神经网络,以得到推荐结果,包括:将所述知识图谱以及所述用户的信息输入所述神经网络;所述神经网络基于所述知识图谱以及所述用户的信息,在所述知识图谱中提取多条路径,每条所述路径指示所述路径两端的实体之间的关联,每条所述路径的一端对应待推荐物品,另一端对应所述用户的历史记录涉及的物品或物品属性;基于所述多条路径各自的第一方向和第二方向对多个待推荐物品打分,以使所述神经网络得到所述推荐结果,对于一条路径,所述第一方向是所述路径的一端指向所述路径的另一端,所述第二方向是所述路径的另一端指向所述路径的一端。5.根据权利要求4所述的方法,其特征在于,所述第一方向与第一向量的方向一致,所述第二方向与第二向量的方向一致,对于一条路径,所述第一向量为从所述路径中,指示待推荐物品的第一实体,指向所述路径中,与所述指示待推荐物品的第一实体相邻的实体的向量,所述第二向量为从所述路径中,所述用户的历史记录涉及的物品的第一实体,指向所述路径中,与所述指示用户的历史记录涉及的物品的第一实体相邻的实体的向量,或者,所述第二向量为从所述路径中,所述用户的历史记录涉及的物品属性的第二实体,指向所述路径中,与所述用户的历史记录涉及的物品属性的第二实体相邻的实体的向量;所述基于所述多条路径各自的第一方向和第二方向对所述多条路径对应的多个待推荐物品打分,以使所述神经网络得到所述推荐结果,包括:对所述多条路径中的每条路径,都基于所述每条路径的第一向量和第二向量汇集到所
述每条路径中的一个实体的概率对所述每条路径对应的待推荐物品打分,以得到所述被推荐物品。6.根据权利要求3至5中任一项所述的方法,其特征在于,所述方法还包括:基于所述多条路径各自的第一方向和第二方向分别对所述多条路径打分,以得到对所述推荐结果的解释,所述解释是对得到所述推荐结果的一条或多条路径所指示的两端的实体之间的关联的描述。7.根据权利要求6所述的方法,其特征在于,所述第一方向与第一向量的方向一致,所述第二方向与第二向量的方向一致,对于一条路径,所述第一向量为从所述路径中,指示待推荐物品的第一实体,指向所述路径中,与所述指示待推荐物品的第一实体相邻的实体的向量,所述第二向量为从所述路径中,所述用户的历史记录涉及的物品的第一实体,指向所述路径中,与所述指示用户的历史记录涉及的物品的第一实体相邻的实体的向量,或者,所述第二向量为从所述路径中,所述用户的历史记录涉及的物品属性的第二实体,指向所述路径中,与所述用户的历史记录涉及的物品属性的第二实体相邻的实体的向量;所述基于所述多条路径各自的第一方向和第二方向对所述多条路径打分,以得到对所述推荐结果的解释,包括:分别计算每条路径的第一向量和第二向量汇集到所述每条路径包括的一个实体的概率,以得到对所述推荐结果的解释。8.根据权利要求7所述的方法,其特征在于,所述分别计算每条路径的第一向量和第二向量汇集到所述每条路径包括的一个实体的概率,包括:其中,p
m
代表所述概率,代表所述第一向量,代表所述第二向量,或者,代表所述第一向量,代表所述第二向量;exp代表以e为底的指数函数,M为正整数,M代表所述待推荐物品与一个用户的历史记录涉及的物品或物品属性之间路径的数量。9.根据权利要求1至8中任一项所述的方法,其特征在于,所述神经网络是通过以训练样本作为所述神经网络的输入,以损失函数的值小于阈值为目标对神经网络进行训练得到,所述训练样本包括多条训练路径,或者所述训练样本包括用于训练的知识图谱、用于训练的用户的历史记录涉及的物品和/或物品属性,每条所述训练路径指示所述训练路径两端的实体之间的关联,每条所述训练路径的两端对应所述用户的历史记录涉及的物品或物品属性;所述损失函数包括第一损失函数,所述第一损失函数用于指示神经网络输出的推荐结果与目标结果之间的差异,所述目标结果与所述用户的历史记录涉及的物品或物品属性相关。10.根据权利要求9所述的方法,其特征在于,所述损失函数还包括第二损失函数,所述第二损失函数用于指示所述用于训练的知识图谱的所述训练路径中第一训练向量与第二训练向量之间词向量的差值,所述训练路径的两端对应所述用户的历史记录涉及的物品或物品属性。
11.根据权利要求10所述的方法,其特征在于,所述损失函数还包括第三损失函数,所述第三损失函数用于指示第一实体的计算词向量与所述第一实体的真实词向量的差值,和/或用于指示第二实体的计算词向量与所述第二实体的真实词向量的差值。12.一种推荐方法,其特征在于,所述方法包括:获取知识图谱、第一标识以及第二标识,所述知识图谱中包括多个用于指示物品的第一实体和多个用于指示物品属性的第二实体,所述第一标识指示待推荐物品,所述第二标识指示用户历史记录涉及的物品或者物品属性,所述知识图谱中包括与所述第一标识对应的第一实体,以及与所述第二标识对应的第一实体或第二实体;基于所述知识图谱、所述第一标识以及所述第二标识运行所述神经网络,以得到评估结果,所述评估结果包括待推荐物品被推荐的概率,所述神经网络用于基于所述知识图谱中的至少一个第一方向和至少一个第二方向计算以得到所述评估结果,所述第一方向起始于与所述第一标识对应的第一实体,所述第二方向起始于与所述第二标识对应的第一实体或第二实体。13.根据权利要求12所述的方法,其特征在于,所述评估结果还包括,所述待推荐物品被推荐时,基于的所述知识图谱中的路径对应的概率,所述路径的一端为所述与所述第一标识对应的第一实体,所述路径的另一端为所述与所述第二标识对应的第一实体。14.根据权利要求12所述的方法,其特征在于,所述基于所述知识图谱、所述第一标识以及所述第二标识运行所述神经网络,以得到评估结果,包括:基于所述知识图谱、所述第一标识以及所述第二标识在所述知识图谱中提取多条路径,每条所述路径指示所述路径两端的实体之间的关联,每条路径的一端对应待推荐物品,另一端对应所述用户的历史记录涉及的物品或物品属性;将所述多条路径输入所述神经网络以对多个待推荐物品打分,以使所述神经网络得到所述评估结果,所述神经网络用于基于所述多条路径各自的第一方向和第二方向计算以得到所述概率,对于一条路径,所述第一方向是所述路径的一端指向所述路径的另一端,所述第二方向是所述路径的另一端指向所述路径的一端。15.根据权利要求13所述的方法,其特征在于,所述基于所述知识图谱、所述第一标识以及与所述第二标识运行所述神经网络,以得到评估结果,包括:将所述知识图谱、所述第一标识以及所述第二标识输入所述神经网络;所述神经网络基于所述知识图谱、所述第一标识以及所述第二标识在所述知识图谱中提取多条路径,每条所述路径指示所述路径两端的实体之间的关联,每条路径的一端对应待推荐物品,另一端对应所述用户的历史记录涉及的物品或物品属性;基于所述多条路径各自的第一方向和第二方向对所述多条路径对应的多个待推荐物品打分,以使所述神经网络得到所述评估结果,对于一条路径,所述第一方向是所述路径的一端指向所述路径的另一端,所述第二方向是所述路径的另一端指向所述路径的一端。16.根据权利要求15所述的方法,其特征在于,所述第一方向与第一向量的方向一致,所述第二方向与第二向量的方向一致,对于一条路径,所述第一向量为从所述路径中,指示待推荐物品的第一实体,指向所述路径中,与所述指示待推荐物品的第一实体相邻的实体的向量,所述第二向量为从所述路径中,所述用户的历史记录涉及的物品的第一实体,指向所述路径中,与所述指示用户的历史记录涉及的物品的第一实体相邻的实体的向量,或者,
所述第二向量为从所述路径中,所述用户的历史记录涉及的物品属性的第二实体,指向所述路径中,与所述用户的历史记录涉及的物品属性的第二实体相邻的实体的向量;所述基于所述多条路径各自的第一方向和第二方向对所述多条路径对应的多个待推荐物品打分,包括:分别计算每条路径的第一向量和第二向量汇集到所述每条路径包括的一个实体的概率。17.根据权利要求16所述的方法,其特征在于,所述分别计算每条路径的第一向量和第二向量汇集到所述每条路径包括的一个实体的概率,包括:其中,p
m
代表所述概率,代表所述第一向量,代表所述第二向量,或者,代表所述第一向量,代表所述第二向量;exp代表以e为底的指数函数,M为正整数,M代表所述待推荐物品与一个用户的历史记录涉及的物品或物品属性之间路径的数量。18.根据权利要求12至17中任一项所述的方法,其特征在于,所述神经网络是通过以训练样本作为所述神经网络的输入,以损失函数的值小于阈值为目标对神经网络进行训练得到,所述训练样本包括多条训练路径,或者所述训练样本包括用于训练的知识图谱、第一训练标识以及第二训练标识,所述第一训练标识指示的物品与所述第二训练标识指示的物品或物品属性为用户的历史物品涉及的...
【专利技术属性】
技术研发人员:王神迪,李昊阳,王云鹏,曹琛,
申请(专利权)人:华为技术有限公司,
类型:发明
国别省市:
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。