一种融合知识图谱和图对比学习的图书推荐方法及系统技术方案

本发明专利技术公开了一种融合知识图谱和图对比学习的图书推荐方法及系统，该方法包括：获取用户

【技术实现步骤摘要】
一种融合知识图谱和图对比学习的图书推荐方法及系统


[0001]本专利技术涉及图书推荐
，尤其涉及一种融合知识图谱和图对比学习的图书推荐方法及系统。

技术介绍

[0002]在图书推荐算法使用的各种技术中，协同过滤框架成为预测用户对图书偏好的有效解决方案，其基本原理是具有相似交互行为的用户可能对图书有相似的兴趣。近年来，流行的协同过滤范式已经从矩阵分解演变为基于神经网络的潜在用户和图书嵌入投影技术，如基于自动编码器的方法，以及最近开发的基于图卷积结构的协同过滤模型。然而，对于没有足够的图书图书交互的用户来说，大多数基于协同过滤的推荐方法仍然存在数据稀缺的问题。为了克服这种数据稀疏性问题，推荐系统中加入了作为有用外部源的知识图，通过编码额外的图书语义相关性来增强用户和图书表示过程。
[0003]在实际图书场景中，图书知识图往往是稀疏且有噪声的。知识图的稀疏性和噪声使得项目实体依赖关系偏离了其真实特征，显著放大了噪声效应，阻碍了用户偏好的准确表示。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的是提供一种融合知识图谱和图对比学习的图书推荐方法及系统，能够提高模型的鲁棒性且缓解数据噪声和稀疏性问题。
[0005]本专利技术所采用的第一技术方案是：一种融合知识图谱和图对比学习的图书推荐方法，包括以下步骤：
[0006]获取用户
‑
图书交互图与图书知识图谱并结合，生成协同知识图谱；
[0007]利用协同知识图谱的结构学习实体嵌入，生成嵌入学习信息；
[0008]将协同知识图谱进行数据增强并结合嵌入学习信息输入知识图谱注意网络，得到用户和图书的嵌入；
[0009]基于用户和图书的嵌入进行图对比学习和监督任务构建，联合优化得到待推荐图书；
[0010]计算用户与全部推荐图书的点积并根据点积计算结果得到最终图书推荐结果。
[0011]进一步，所述将协同知识图谱进行数据增强并结合嵌入学习信息输入知识图谱注意网络，得到用户和图书的嵌入这一步骤，具体包括：
[0012]将协同知识图谱进行随机删除，得到视图一；
[0013]将协同知识图谱进行随机添加，得到视图二；
[0014]基于嵌入学习信息将视图一、视图二和协同知识图谱输入知识图谱注意网络，得到用户和图书的嵌入。
[0015]进一步，所述知识图谱注意网络的公式具体如下：
[0016][0017][0018][0019][0020][0021]上式中，h表示头实体，r表示关系，r
′
表示关系的负样本，t表示尾实体，t
′
表示尾实体的负样本，N
h
表示以h为头节点的三元组的集合，1表示第1层传播，表示当前(l
‑
1)层头实体嵌入表示，表示当前(l
‑
1)层关系嵌入表示，表示当前(l
‑
1)层尾实体嵌入表示，表示当前(l
‑
1)层头实体h对应的ego网络的嵌入表示，β(h,r,t)表示三元组对应的权重，W1和W2分别表示可训练的矩阵，LeakyReLU表示带泄露修正线性单元函数，
⊙
表示两个向量的乘积，||表示向量拼接符号，表示最终用户嵌入，表示最终图书嵌入，表示执行L层后得了用户节点u的集合，表示执行L层得了图书节点i的集合。
[0022]进一步，所述基于用户和图书的嵌入进行图对比学习和监督任务构建，联合优化得到待推荐图书这一步骤，具体包括：
[0023]基于用户和图书的嵌入采用InfoNCE损失函数进行图对比学习构建辅助任务；
[0024]基于用户和图书的嵌入采用贝叶斯个性化排序推荐损失函数构建监督任务；
[0025]基于辅助任务和监督任务进行联合优化，得到联合优化函数；
[0026]根据联合优化函数的计算结果得到待推荐图书。
[0027]进一步，所述辅助任务的公式具体如下：
[0028][0029][0030][0031]上式中，u表示用户，u
′
表示与u不同的用户，i表示图书，i
′
表示与i不同的图书，表示同一用户u分别在视图一和视图二经过知识图谱注意网络学习到的嵌入，表示不同用户分别在视图一和视图二经过知识图谱注意网络学习到的嵌入，表示同一图书i分别在视图一和视图二经过知识图谱注意网络学习到的嵌入，表示不同图书分别在视图一和视图二经过知识图谱注意网络学习到的嵌入，s表示相似度函数，τ表示温度超参数，U表示所有用户u的集合，I表示所有图书i的集合，表示图书InfoNCE损失函数，
表示用户图书InfoNCE损失函数，L
ssl
表示总的辅助任务损失函数。
[0032]进一步，所述监督任务的公式具体如下：
[0033][0034][0035]上式中，i表示用户交互过的图书，j表示用户未交互过的图书，表示最终用户嵌入的转置，表示最终图书嵌入，表示样本得分，表示正样本得分，表示负样本的得分，L
BPR
表示监督任务损失函数。
[0036]进一步，所述联合优化函数具体如下：
[0037][0038]上式中，Θ表示模型中可训练的参数，表示L2的正则项，α、λ为超参数，L
BPR
表示监督任务损失函数，L
ssl
表示总的辅助任务损失函数。
[0039]本专利技术所采用的第二技术方案是：一种融合知识图谱和图对比学习的图书推荐系统，包括：
[0040]结合模块，用于获取用户
‑
图书交互图与图书知识图谱并结合，生成协同知识图谱；
[0041]学习模块，用于利用协同知识图谱的结构学习实体嵌入，生成嵌入学习信息；
[0042]嵌入模块，用于将协同知识图谱进行数据增强并结合嵌入学习信息输入知识图谱注意网络，得到用户和图书的嵌入；
[0043]优化模块，基于用户和图书的嵌入进行图对比学习和监督任务构建，联合优化得到待推荐图书；
[0044]推荐模块，用于计算用户与全部推荐图书的点积并根据点积计算结果得到最终图书推荐结果。
[0045]本专利技术方法及系统的有益效果是：本专利技术利用知识图谱改善了图书推荐场景下的数据稀疏问题，并考虑到了知识图谱本身具有的稀疏性和噪音问题，提出了一种结合知识图谱和图对比学习的推荐算法，来缓解图书推荐场景下的数据噪声和稀疏问题；又基于对比学习的自监督辅助任务进行优化，提高了模型的鲁棒性。
附图说明
[0046]图1是本专利技术一种融合知识图谱和图对比学习的图书推荐方法的步骤流程图；
[0047]图2是本专利技术一种融合知识图谱和图对比学习的图书推荐系统的结构框架图；
[0048]图3是本专利技术具体实施例图书推荐方法的步骤流程图；
[0049]图4是本专利技术具体实施例图书推荐方法的结构框架图；
[0050]图5是本专利技术具体实施例数据增强示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合知识图谱和图对比学习的图书推荐方法，其特征在于，包括以下步骤：获取用户
‑
图书交互图与图书知识图谱并结合，生成协同知识图谱；利用协同知识图谱的结构学习实体嵌入，生成嵌入学习信息；将协同知识图谱进行数据增强并结合嵌入学习信息输入知识图谱注意网络，得到用户和图书的嵌入；基于用户和图书的嵌入进行图对比学习和监督任务构建，联合优化得到待推荐图书；计算用户与全部推荐图书的点积并根据点积计算结果得到最终图书推荐结果。2.根据权利要求1所述一种融合知识图谱和图对比学习的图书推荐方法，其特征在于，所述将协同知识图谱进行数据增强并结合嵌入学习信息输入知识图谱注意网络，得到用户和图书的嵌入这一步骤，具体包括：将协同知识图谱进行随机删除，得到视图一；将协同知识图谱进行随机添加，得到视图二；基于嵌入学习信息将视图一、视图二和协同知识图谱输入知识图谱注意网络，得到用户和图书的嵌入。3.根据权利要求2所述一种融合知识图谱和图对比学习的图书推荐方法，其特征在于，所述知识图谱注意网络的公式具体如下：所述知识图谱注意网络的公式具体如下：所述知识图谱注意网络的公式具体如下：所述知识图谱注意网络的公式具体如下：所述知识图谱注意网络的公式具体如下：上式中，h表示头实体，r表示关系，r
′
表示关系的负样本，t表示尾实体，t
′
表示尾实体的负样本，N
h
表示以h为头节点的三元组的集合，1表示第1层传播，表示当前(l
‑
1)层头实体嵌入表示，表示当前(l
‑
1)层关系嵌入表示，表示当前(l
‑
1)层尾实体嵌入表示，表示当前(l
‑
1)层头实体h对应的ego网络的嵌入表示，β(h,r,t)表示三元组对应的权重，W1和W2分别表示可训练的矩阵，LeakyReLU表示带泄露修正线性单元函数，
⊙
表示两个向量的乘积，||表示向量拼接符号，表示最终用户嵌入，表示最终图书嵌入，表示执行L层后得了用户节点u的集合，表示执行L层得了图书节点i的集合。4.根据权利要求1所述一种融合知识图谱和图对比学习的图书推荐方法，其特征在于，所述基于用户和图书的嵌入进行图对比学习和监督任务构建，联合优化得到待推荐图书这一步骤，具体包括：基于用户和图书的嵌入采用InfoNCE损失函数进行图对比学习构建辅助任务；基于用...

【专利技术属性】
技术研发人员：郭洁，林佳瑜，梁祖红，罗孝波，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：