【技术实现步骤摘要】
基于图神经网络和知识图谱结合的文化资源推荐方法
[0001]本专利技术属于推荐系统领域,具体涉及基于图神经网络和知识图谱结合的文化资源推荐方法。
技术介绍
[0002]随着互联网技术的普及,产生了海量的数据,与以前不同的是,现在不是缺乏信息,而是如何从海量信息中筛选出有用的信息。推荐系统模型可以根据用户的日常行为习惯,探索用户的兴趣,将合适的内容推荐给用户。通过将深度学习和推荐算法结合取得了不错的成果,为了进一步提高推荐系统的准确性,在推荐模型中引入辅助信息,进一步完善用户或者物品的信息,辅助信息包括物品特征、物品关联等等。除了引入用户或者物品相关的属性信息以外,其他数据信息也可以作为辅助信息,如知识图、社交网络等。将知识图作为辅助信息,在一定程度上解决冷启动问题,用户、物品信息本质上可以看作是图结构数据,可以采用图神经网络算法进行数据处理,将知识图谱或者图神经网络引入推荐系统是现在的研究热点之一。
[0003]目前推荐方法被广泛的使用,主要包括基于内容的推荐、协同过滤推荐等。基于内容的推荐系统根据用户以往喜欢的物品来推荐可能感兴趣的新的商品。协同过滤推荐算法是应用最广泛的算法,主要是通过对用户历史数据的挖掘,进行用户群组划分,并以此推荐品味相似的商品。协同过滤算法主要分为基于邻域的、隐语义分析及基于图的算法。基于图的算法将用户的相关数据表示成图的形式,再借助图相关知识进一步处理。
[0004]除了引入用户或者物品相关的属性信息以外,其他数据信息也可以作为辅助信息,如知识图、社交网络等。将知识图作为辅 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.基于图神经网络和知识图谱结合的文化资源推荐方法,其特征在于,包括如下几个步骤:步骤1:将用户集U和物品集V输入至推荐模型MKB中,得到输入用户和物品交互数据和知识图谱数据,并对其进行数据预处理,获取用户、物品和知识图谱三元组信息;步骤2:将步骤1获得的用户、物品和知识图谱三元组信息输入二部图神经网络Bine,获得用户向量矩阵和物品初始化向量矩阵;步骤3:初始化知识图谱中头部实体向量、关系向量和尾部实体向量,对物品初始化向量矩阵与知识图谱头部的实体向量进行交叉训练;步骤4:迭代更新物品向量、实体向量和知识图谱尾部向量;损失函数为迭代目标函数,推荐模块的物品点击率和知识图谱模块的尾部实体预测差值的和的最小值为目标,进行迭代更新;步骤5:最终获得预测的用户感兴趣物品,即用户物品预测向量矩阵,迭代计算结束,并通过获得的预测矩阵计算准确率和召回率性能指标;通过上述训练,获取了用户对物品潜在兴趣预测,在训练过程中采用负采样策略提高计算效率。2.根据权利要求1所述的基于图神经网络和知识图谱结合的文化资源推荐方法,其特征在于,所述推荐模型MKB由模型MKR结合二部图神经网络Bine得到,包括推荐模块、交叉单元和知识图谱模块。3.根据权利要求1所述的基于图神经网络和知识图谱结合的文化资源推荐方法,其特征在于,步骤1具体为:步骤1.1:推荐模型MKB的输入包括用户集U和物品集V,用户物品交互集表示为:C
uv
=1表示该用户点击或者浏览过物品,反之为0则表示用户与该物品没有任何交互;知识图谱使用三元组(h,r,t)表示,h和t分别表示知识图谱中的头部实体和尾部实体,r表示关系;推荐的目标在于求得用户u是否对某一个未交互的实体v感兴趣;最终得到用户物品历史交互数据和知识图谱数据;步骤1.2:将用户和物品交互信息数据与知识图谱相结合,提取出用户、物品和知识图谱三元组信息;使用这些信息作为推荐模型训练的输入信息,实现逻辑,具体为:对于用户的每一个交互数据,都属于用户交互物品的集合;知识图谱中头部的实体信息是任何一个实体,部分实体有不存在与用户交互的历史数据的情况,将交互数据与知识图谱相结合,提取出有效的知识图信息并进行数据的统一编号,获得每个用户交互的物品集合。4.根据权利要求1所述的基于图神经网络和知识图谱结合的文化资源推荐方法,其特征在于,步骤2具体为:输入步骤1得到的用户、物品和知识图谱三元组信息到二部图神经网络Bine,Bine通过考虑用户、物品三元组中两个连接顶点的局部邻近度构建显示关系以及考虑顶点之间存在的路径构建隐式关系来学习节点表示,顶点间关系的计算使用联合优化来学习嵌入,使用随机梯度上升算法训练Bine;最终生成用户向量矩阵和物品初始化向量矩阵。5.根据权利要求4所述的基于图神经网络和知识图谱结合的文化资源推荐方法,其特征在于,对于任意的两个用户节点u
技术研发人员:王兴伟,任俊意,易波,何强,黄敏,
申请(专利权)人:东北大学,
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。