【技术实现步骤摘要】
一种基于优化图注意网络的知识图谱推荐方法
[0001]本专利技术涉及一种基于优化图注意网络的知识图谱推荐方法，属于机器学习
技术介绍
[0002]推荐系统已经成为各种在线平台最重要的技术之一，它不仅可以从海量信息中为特定用户提供个性化信息，还可以增加服务提供商的收入。其中，基于协同过滤(CF)的模型通过建模历史用户
‑
项目交互，在学习用户和项目表示方面取得了实质性进展。例如，矩阵分解(MF)可以直接嵌入用户项作为特征向量，并建模用户项与内积的交互。神经协同过滤模型用非线性神经网络取代内积的MF交互函数，以学习更好的用户和项目表示。
[0003]知识图谱是知识工程技术的一部分，它是一张巨大的异构信息网络，其基本组成元素是三元组，如(h，r，t)表示一个三元组,h、r、t分别表示头结点、关系和尾节点。知识图谱建立了物品间深层次的语义关系，从而可以挖掘到更多的物品间的关联信息，将知识图谱应用于推荐系统，可以有效缓解数据稀疏和冷启动等问题。
[0004]图卷积网络在推荐中具有很大的潜力，这...
【技术保护点】
【技术特征摘要】
1.一种基于优化图注意网络的知识图谱推荐方法，其特征在于：基于待推荐信息集合，按如下步骤，实现向用户群中各用户进行信息推荐；步骤A.以待推荐信息集合中的各条待推荐信息作为节点，针对存在对应预设各信息关联属性联系的节点之间建立连线，构建待推荐信息集合所对应的知识图谱，然后进入步骤B；步骤B.分别针对用户群中的各用户，基于用户分别与各条待推荐信息之间是否存在对应预设各用户信息关联属性的联系，以用户作为节点，用户与存在联系的各待推荐信息之间分别建立连线，加入至待推荐信息集合所对应的知识图谱中，更新知识图谱，然后进入步骤C；步骤C.发掘待推荐信息集合所对应知识图谱中各待推荐信息之间、区别预设各信息关联属性以外的各待推荐信息彼此间额外联系，针对存在彼此间额外联系的节点之间建立连线，更新待推荐信息集合所对应的知识图谱，然后进入步骤D；步骤D.根据待推荐信息集合所对应的知识图谱，获得知识图谱中各用户分别对应各待推荐信息的感兴趣优先级，然后进入步骤E；步骤E.分别针对用户群中的各用户，基于用户分别对应各待推荐信息的感兴趣优先级，获得该用户所对应的各目标待推荐信息；进而获得各用户分别对应的各目标待推荐信息，向用户群中各用户进行信息推荐。2.根据权利要求1所述一种基于优化图注意网络的知识图谱推荐方法，其特征在于：所述步骤A中，首先分别针对待推荐信息集合中的各条待推荐信息，获取待推荐信息中分别对应预设各信息属性的信息内容，组合更新该待推荐信息，进而更新待推荐信息集合中的各条待推荐信息；然后基于各条待推荐信息之间是否存在对应预设各信息关联属性的联系，以各条待推荐信息作为节点，存在联系的节点之间建立连线，构建待推荐信息集合所对应的知识图谱。3.根据权利要求2所述一种基于优化图注意网络的知识图谱推荐方法，其特征在于：所述步骤A中根据预设异常信息内容库，针对基于预设各信息属性更新所获得的各待推荐信息，剔除其中异常待推荐信息，然后以剩余各条待推荐信息作为节点，存在联系的节点之间建立连线，构建待推荐信息集合所对应的知识图谱。4.根据权利要求1所述一种基于优化图注意网络的知识图谱推荐方法，其特征在于：所述步骤C中，首先基于预训练好以与各待推荐信息同属相同信息类别的各信息样本为输入，结合各信息样本对应预设各信息分类类别的分类，以各信息样本之间区别预设各信息关联属性以外的信息样本彼此间额外联系为输出的信息间额外关系模型，针对知识图谱中的各待推荐信息进行处理，获得知识图谱中的各待推荐信息彼此间额外联系；然后根据知识图谱中的各待推荐信息彼此间额外联系，针对存在彼此间额外联系的节点之间建立连线，更新待推荐信息集合所对应的知识图谱。5.根据权利要求4所述一种基于优化图注意网络的知识图谱推荐方法，其特征在于：所述步骤C中的信息间额外关系模型，基于与待推荐信息同属相同信息类别的各信息样本，各信息样本对应预设各信息分类类别的分类，以及各信息样本之间区别预设各信息关联属性以外的信息样本彼此间额外联系，针对层次感知的知识图嵌入模型HAKE进行训练获得。6.根据权利要求1所述一种基于优化图注意网络的知识图谱推荐方法，其特征在于：所<...
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。