一种基于实体邻域特征深度聚合的个性化推荐方法技术

本发明专利技术公开了一种基于实体邻域特征深度聚合的个性化推荐方法，对当前知识图谱中的高阶结构信息进行特征深度聚合，该个性化推荐方法，包括如下步骤：步骤S1：基于用户对物品的行为数据信息并进行预处理，获取用户对物品的隐式反馈，得到物品预测评分；步骤S2：基于物品及其属性数据，构建实体关系三元组，得到物品知识图谱；步骤S3：基于知识图谱嵌入方式，将知识图谱中实体与实体间关系嵌入到连续的向量空间，得到高阶实体间特征向量；步骤S4：基于注意力机制，对高阶实体间特征向量分配不同权重；本发明专利技术通过双层消息聚合对实体特征与邻居实体特征进行深度聚合，有效提高个性化推荐的多样性和精确性，缓解了数据稀疏和冷启动问题。缓解了数据稀疏和冷启动问题。缓解了数据稀疏和冷启动问题。

【技术实现步骤摘要】
一种基于实体邻域特征深度聚合的个性化推荐方法


[0001]本专利技术涉及知识图谱
，尤其涉及一种基于实体邻域特征深度聚合的个性化推荐方法。

技术介绍

[0002]作为解决信息过载问题的有效技术，个性化推荐系统可以平衡信息过载问题与用户个性化需求之间的关系，根据用户的习惯、偏好、个性化需求和物品特性来预测用户对物品的喜好，并为用户推荐合适的物品以及帮助用户快速做出决策，提高用户满意度。
[0003]传统机器学习推荐模型长期受到数据稀疏和冷启动问题的影响，严重制约了推荐系统对数据价值的挖掘能力，导致推荐系统为用户推荐物品的相关度和准确度普遍较低。针对数据稀疏和冷启动问题，目前已提出一些方法减少其对推荐结果的影响，但是效果并不理想，例如，利用奇异值分解删除不重要用户或噪声项目，降低用户项目评分的维度。
[0004]随着一些基于深度学习的推荐模型逐渐兴起，并成为推荐系统应用的热门方法。深度学习模型通过提取大量有意义的特征作为输入来训练分类器，从而提高推荐算法在处理高维、非线性等方面的性能。与传统机器学习推荐模型相比，深度学习推荐模型能够更好地挖掘数据中的隐藏信息，表达能力更强；深度学习模型结构可以根据不同的数据特点和应用场景灵活调整模型结构。然而，大量的网络数据是以抽象的图结构存在的，具体节点及其相邻节点的位置和数目不是恒定的，这使得深度学习模型难以挖掘图结构中实体之间的隐藏信息并将神经网络应用到复杂的图网络中。
[0005]针对挖掘实体间隐藏信息问题，知识图谱卷积模型通过知识图谱为推荐系统在高维数据环境下的设计提供了一种有效方法。知识图谱通过实体间关系相互联系，形成一个网状的知识结构，使用知识图谱和特征融合对不同来源的知识进行集成，增强数据之间的关联，使得用户能够更直观地分析数据。但是，在特征向量的聚合上，实体及实体邻域的特征向量只是进行对应元素相加或拼接操作，因此在特征融合的效率和准确度方面有待提高。对此，本专利技术提出一种通过改变聚合操作方式，对实体邻域特征进行双层聚合，分别采用加权和内积操作来增加特征的聚合程度。并使用知识图谱嵌入方式和消息传递机制来契合模型对多样化的图数据进行处理，从而提高推荐的精确度。

技术实现思路

[0006]针对知识图谱中高阶结构信息特征融合不充分，易受用户评分数据稀疏、冷启动的影响，本专利技术的目的在于提供的问题。
[0007]本专利技术提供了一种基于实体邻域特征深度聚合的个性化推荐方法，对当前知识图谱中的高阶结构信息进行特征深度聚合，该个性化推荐方法，包括如下步骤：
[0008]步骤S1：基于用户对物品的行为数据信息并进行预处理，获取用户对物品的隐式反馈，得到物品预测评分；
[0009]步骤S2：基于物品及其属性数据，构建实体关系三元组，得到物品知识图谱；
[0010]步骤S3：基于知识图谱嵌入方式，将知识图谱中实体与实体间关系嵌入到连续的向量空间，得到高阶实体间特征向量；
[0011]步骤S4：基于注意力机制，对高阶实体间特征向量分配不同权重；
[0012]步骤S5：基于消息传递机制，将高阶实体间特征向量通过关系边进行传递，采用双层消息聚合方式，得到目标物品特征向量；
[0013]步骤S6：根据目标物品特征向量得到真实评分，并与预测评分建立并最优化损失函数。
[0014]优选的，所述步骤S1进一步的包括以下步骤：
[0015]获取用户对物品的行为数据信息，所述行为数据信息包括用户的历史行为特征、以及用户对物品的评分数据，形成用户
‑
物品的特征属性矩阵R
MxN
，所述特征属性矩阵包括M组用户U＝{u1，u2，...，u
M
}和N组物品V＝{v1，v2，...，v
N
}，以及表达矩阵中项目与项目之间关系的边向量r
ij
；
[0016]3.根据权利要求1所述的一种基于实体邻域特征深度聚合的个性化推荐方法，其特征在于，所述步骤S1进一步的还包括以下步骤：
[0017]首先以迭代的方式逐层计算物品向量，再输入到预测函数中得到物品预测评分
[0018][0019][0020]其中，U表示用户，u表示用户向量，V表示物品，v表示物品向量，f(*)表示预测函数，进行评分预测；其中，表示用户u对物品v存在购买、浏览、点击等行为，相应地，表示用户u对物品v不存在上述行为。
[0021]优选的，所述步骤S2进一步的包括以下步骤：
[0022]知识图谱由一系列三元组的事实(h，r，t)构成，将用户、标签信息和物品对应转换为由头实体、关系和尾实体组成的三元组，并将所述头实体和所述尾实体通过关系边进行链接，得到对应的物品知识图谱。
[0023]优选的，将用户自身已有的知识信息与邻居用户给予的信息组合起来，包括：
[0024]根据物品知识图谱中实体之间的高阶结构信息，将局部邻居结构信息通过特征聚合综合起来，对相似的信息特征进行分类，更新并获得更高阶的知识，所述的知识之间通过关系边r
i
进行连接，并根据下式为每个特征向量分配权重：
[0025][0026]其中，L(*)激活函数用来计算不同特征向量的权重，r
i
的数值表示用户对物品的偏好程度。
[0027]优选的，采用注意力机制对高阶实体间特征向量分配不同权重将权重
[0028]通过softmax函数进行归一化操作：
[0029][0030]其中，表示归一化操作后的权重，N(V)表示物品V的一阶邻居集，所述归一化操作是为保证推荐结果的可靠性，避免不同权重水平之间相差过大。
[0031]优选的，将高阶实体特征向量通过关系边进行传递，包括：
[0032]通过消息传递，将高阶实体特征向量传递到实体特征向量集e
U
中：
[0033][0034]进一步，采用双层消息聚合方式，得到目标物品特征向量V：
[0035][0036]其中，agg(*)表示特征聚合函数，W表示可学习的权重，b表示可学习的偏置， g(*)表示RELU激活函数。
[0037]优选的，根据目标物品特征向量得到真实评分，并与预测评分建立损失函数的计算公式如下：
[0038][0039]其中，δ(*)表示交叉熵损失函数，δ的值越大表示预测评分与真实评分的关联性越强，相应地，δ的值越小表示预测评分与真实评分的关联性越弱；
[0040]表示L2正则化器，通过对所有参数进行逐元素的平方惩罚来抑制大数值的权重，从而降低模型的复杂性和减少过拟合。
[0041]本专利技术提供的技术方案的有益效果如下：
[0042](1)通过知识图谱将结构化知识进行关联和显性化沉淀，解决领域内数据的复杂化、多样化以及单一数据价值不高的问题；
[0043](2)利用知识图谱嵌入方式将实体潜在语义与向量空间表示中的包含关系进行匹配，提高算法的效率和可信度；
[0044](本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于实体邻域特征深度聚合的个性化推荐方法，对当前知识图谱中的高阶结构信息进行特征深度聚合，其特征在于，该个性化推荐方法，包括如下步骤：步骤S1：基于用户对物品的行为数据信息并进行预处理，获取用户对物品的隐式反馈，得到物品预测评分；步骤S2：基于物品及其属性数据，构建实体关系三元组，得到物品知识图谱；步骤S3：基于知识图谱嵌入方式，将知识图谱中实体与实体间关系嵌入到连续的向量空间，得到高阶实体间特征向量；步骤S4：基于注意力机制，对高阶实体间特征向量分配不同权重；步骤S5：基于消息传递机制，将高阶实体间特征向量通过关系边进行传递，采用双层消息聚合方式，得到目标物品特征向量；步骤S6：根据目标物品特征向量得到真实评分，并与预测评分建立并最优化损失函数。2.根据权利要求1所述的一种基于实体邻域特征深度聚合的个性化推荐方法，其特征在于，所述步骤S1进一步的包括以下步骤：获取用户对物品的行为数据信息，所述行为数据信息包括用户的历史行为特征、以及用户对物品的评分数据，形成用户
‑
物品的特征属性矩阵R
MxN
，所述特征属性矩阵包括M组用户U＝{u1，u2，...，u
M
}和N组物品V＝{v1，v2，...，v
N
}，以及表达矩阵中项目与项目之间关系的边向量r
ij
。3.根据权利要求1所述的一种基于实体邻域特征深度聚合的个性化推荐方法，其特征在于，所述步骤S1进一步的还包括以下步骤：首先以迭代的方式逐层计算物品向量，再输入到预测函数中得到物品预测评分首先以迭代的方式逐层计算物品向量，再输入到预测函数中得到物品预测评分其中，U表示用户，u表示用户向量，V表示物品，v表示物品向量，f(*)表示预测函数，进行评分预测；其中，表示用户u对物品v存在购买、浏览、点击等行为，相应地，表示用户u对物品v不存在上述行为。4.如权利要求1所述的一种基于实体邻域特征深度聚合的个性化推荐方法，其特征在于，所述步骤S2进一步的包括以下步骤：知...

【专利技术属性】
技术研发人员：陈功斌，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：