跨域推荐方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种跨域推荐方法、装置、电子设备及存储介质，其中，所述方法应用于数据稀疏的目标域，目标域的目标域实体包括待推荐用户实体和待推荐商品实体，所述方法包括：获取知识图谱和源域，其中，源域中的源域实体包括源域用户实体和源域商品实体；基于知识图谱，对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量；基于目标域实体向量和源域实体向量，通过图注意力模型得到待推荐用户实体的融合偏好特征；基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序。通过本发明专利技术提高了对待推荐用户实体进行商品实体推荐的推荐效率。进行商品实体推荐的推荐效率。进行商品实体推荐的推荐效率。

【技术实现步骤摘要】
跨域推荐方法、装置、电子设备及存储介质


[0001]本专利技术涉及跨域推荐
，尤其涉及一种跨域推荐方法、装置、电子设备及存储介质。

技术介绍

[0002]跨域推荐根植于用户的日常线上生活，为其提供多种多样的产品推送服务，它旨在将源域或辅域中丰富的知识迁移至目标推荐系统中，利用充足的源域或辅域知识来辅助稀疏目标系统的实体推荐。然而，互联网每天涌现出的数以亿计的知识资源，对跨域推荐系统性能提出了严峻的挑战。
[0003]相关技术可知，传统的跨域推荐方法，主要利用实体相关内容属性(标签、评论日志、语义关联、社会关系等)来建立源域和目标域间的联系，从而将源域知识迁移至目标域推荐系统，协助其生成最终的推荐结果。
[0004]然而，当前跨域推荐系统通常仅包含少量的重叠实体，传统的方法难以利用这些少数重叠实体来获取更多源域和目标域中实体的偏好知识，导致推荐效率低下。

技术实现思路

[0005]本专利技术提供一种跨域推荐方法、装置、电子设备及存储介质，用以解决现有技术中推荐系统的推荐效率低下的缺陷，实现了目标域和源域之间实体知识迁移的有效性，从而提高了对待推荐用户实体进行商品实体推荐的推荐效率和推荐准确率。
[0006]本专利技术提供一种跨域推荐方法，所述方法应用于数据稀疏的目标域，所述目标域的目标域实体包括待推荐用户实体和待推荐商品实体，所述方法包括：获取知识图谱和源域，其中，所述源域中的源域实体包括源域用户实体和源域商品实体；基于所述知识图谱，对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量；基于所述目标域实体向量和所述源域实体向量，通过图注意力模型得到所述待推荐用户实体的融合偏好特征，其中，所述图注意力模型通过预训练得到；基于所述待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序。
[0007]根据本专利技术提供的一种跨域推荐方法，所述基于所述知识图谱，对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量，具体包括：基于所述知识图谱、所述目标域实体和所述源域实体，得到协同知识图谱，其中，所述协同知识图谱中包括所述目标域实体的数据和所述源域实体的数据；基于所述协同知识图谱，通过知识表示模型对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量，其中，所述知识表示模型通过预训练得到。
[0008]根据本专利技术提供的一种跨域推荐方法，所述基于所述目标域实体向量和所述源域实体向量，通过图注意力模型得到所述待推荐用户实体的融合偏好特征，具体包括：基于所述目标域实体向量，通过所述图注意力模型得到所述待推荐用户实体在所述目标域内的域
内偏好特征；基于所述源域实体向量，通过所述图注意力模型得到所述待推荐用户实体关于所述源域的跨域偏好特征；基于所述域内偏好特征和所述跨域偏好特征，得到所述待推荐用户实体的融合偏好特征。
[0009]根据本专利技术提供的一种跨域推荐方法，所述基于所述目标域实体向量，通过所述图注意力模型得到所述待推荐用户实体在所述目标域内的域内偏好特征，具体包括：基于所述目标域实体向量，通过多跳推理机制确定所述待推荐用户实体在所述目标域内的多个域内相似邻居；通过所述图注意力模型确定所述域内相似邻居的注意力权重；对所述域内相似邻居的注意力权重进行归一化处理，得到所述域内相似邻居的偏好注意力系数；基于各个所述域内相似邻居的偏好注意力系数的加权和，得到所述待推荐用户实体在所述目标域内的域内偏好特征。
[0010]根据本专利技术提供的一种跨域推荐方法，所述基于所述源域实体向量，通过所述图注意力模型得到所述待推荐用户实体关于所述源域的跨域偏好特征，具体包括：基于所述源域实体向量，通过随机游走机制确定所述待推荐用户实体在所述源域内的跨域相似邻居；通过所述图注意力模型确定所述跨域相似邻居的注意力权重；基于所述目标域实体向量，确定所述待推荐用户实体的原始注意力向量权重；对所述跨域相似邻居的注意力权重和所述待推荐用户实体的原始注意力向量权重进行全连接处理，得到所述待推荐用户实体关于所述源域的跨域偏好特征。
[0011]根据本专利技术提供的一种跨域推荐方法，所述基于所述域内偏好特征和所述跨域偏好特征，得到所述待推荐用户实体的融合偏好特征采用以下公式确定：
[0012][0013]其中，表示所述待推荐用户实体的融合偏好特征；LeahkReLU[.]表示LeahkReLU激活函数处理；ξ表示偏好表示的平衡参数，用于控制所述跨域偏好特征的参与程度；表示所述域内偏好特征；表示所述跨域偏好特征。
[0014]根据本专利技术提供的一种跨域推荐方法，所述基于所述待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序，具体包括：基于所述待推荐用户实体的融合偏好特征，通过所述跨域贝叶斯机制分别得到所述目标域中的所述待推荐用户实体的目标域用户节点层表示和所述待推荐商品实体的目标域商品节点层表示，以及所述源域中的所述源域用户实体的源域用户节点层表示和所述源域商品实体的源域商品节点层表示；对所述目标域中的所述目标域用户节点层表示和所述目标域商品节点层表示进行内积，得到所述待推荐用户实体关于所述待推荐商品实体的第一匹配值；对所述源域中的所述源域用户节点层表示和所述源域商品节点层表示进行内积，得到所述源域用户实体关于所述源域商品实体的第二匹配值；对所述第一匹配值和所述第二匹配值进行跨域正则化项处理，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序。
[0015]根据本专利技术提供的一种跨域推荐方法，所述对所述第一匹配值和所述第二匹配值进行跨域正则化项处理，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序采用以下公式实现：
[0016][0017]其中，L
CBPR
表示所述待推荐用户实体关于所述待推荐商品实体的推荐排序；κ和κ'分别表示所述源域和所述目标域中的训练样本；σ(
·
)表示Sigmoid函数；λ表示控制跨域相似偏好融合程度的正则化参数；表示待推荐用户实体u
t
关于待推荐商品实体i
t
的第一匹配值；表示待推荐用户实体u
t
关于待推荐商品实体j
t
的第一匹配值；表示源域用户实体u
s
关于源域商品实体i
s
的第二匹配值；表示源域用户实体u
s
关于源域商品实体j
s
的第二匹配值。
[0018]本专利技术还提供一种跨域推荐装置，所述装置应用于数据稀疏的目标域，所述目标域的目标域实体包括待推荐用户实体和待推荐商品实体，所述装置包括：获取模块，用于获取知识图谱和源域，其中，所述源域中的源域实体包括源域用户实体和源域商品实体；转换模块，用于基于所述知识图谱，对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量；处理模块，用于基于所述目标域实体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跨域推荐方法，其特征在于，所述方法应用于数据稀疏的目标域，所述目标域的目标域实体包括待推荐用户实体和待推荐商品实体，所述方法包括：获取知识图谱和源域，其中，所述源域中的源域实体包括源域用户实体和源域商品实体；基于所述知识图谱，对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量；基于所述目标域实体向量和所述源域实体向量，通过图注意力模型得到所述待推荐用户实体的融合偏好特征，其中，所述图注意力模型通过预训练得到；基于所述待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序。2.根据权利要求1所述的跨域推荐方法，其特征在于，所述基于所述知识图谱，对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量，具体包括：基于所述知识图谱、所述目标域实体和所述源域实体，得到协同知识图谱，其中，所述协同知识图谱中包括所述目标域实体的数据和所述源域实体的数据；基于所述协同知识图谱，通过知识表示模型对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量，其中，所述知识表示模型通过预训练得到。3.根据权利要求1所述的跨域推荐方法，其特征在于，所述基于所述目标域实体向量和所述源域实体向量，通过图注意力模型得到所述待推荐用户实体的融合偏好特征，具体包括：基于所述目标域实体向量，通过所述图注意力模型得到所述待推荐用户实体在所述目标域内的域内偏好特征；基于所述源域实体向量，通过所述图注意力模型得到所述待推荐用户实体关于所述源域的跨域偏好特征；基于所述域内偏好特征和所述跨域偏好特征，得到所述待推荐用户实体的融合偏好特征。4.根据权利要求3所述的跨域推荐方法，其特征在于，所述基于所述目标域实体向量，通过所述图注意力模型得到所述待推荐用户实体在所述目标域内的域内偏好特征，具体包括：基于所述目标域实体向量，通过多跳推理机制确定所述待推荐用户实体在所述目标域内的多个域内相似邻居；通过所述图注意力模型确定所述域内相似邻居的注意力权重；对所述域内相似邻居的注意力权重进行归一化处理，得到所述域内相似邻居的偏好注意力系数；基于各个所述域内相似邻居的偏好注意力系数的加权和，得到所述待推荐用户实体在所述目标域内的域内偏好特征。5.根据权利要求3所述的跨域推荐方法，其特征在于，所述基于所述源域实体向量，通过所述图注意力模型得到所述待推荐用户实体关于所述源域的跨域偏好特征，具体包括：基于所述源域实体向量，通过随机游走机制确定所述待推荐用户实体在所述源域内的跨域相似邻居；
通过所述图注意力模型确定所述跨域相似邻居的注意力权重；基于所述目标域实体向量，确定所述待推荐用户实体的原始注意力向量权重；对所述跨域相似邻居的注意力权重和所述待推荐用户实体的原始注意力向量权重进行全连接处理，得到所述待推荐用户实体关于所述源域的跨域偏好特征。6.根据权利要求3所述的跨域推荐方法，其特征在于，所述基于所述域内偏好特征和所述跨域偏好特征，得到所述待推荐用户实体的融合偏好特征采用以下公式确定：其中，表示所述待推荐用户实体的融合偏好特征；LeahkReLU[.]表示LeahkReLU激活函数处理；ξ表示偏好表示的平衡参数，用于控制所述跨域偏好特征的参与程度；表示所述域内偏好特征；表示所述跨域偏好...

【专利技术属性】
技术研发人员：李涓子，李亚坤，侯磊，褚晓泉，孟斌杰，张鹏，唐杰，许斌，
申请(专利权)人：清华大学，
类型：发明
国别省市：