一种基于知识图谱的推荐方法、系统、设备及存储介质技术方案

本发明专利技术提供一种基于知识图谱的推荐方法、系统、设备及存储介质，方法包括以下步骤：S1：获取用户兴趣的嵌入表征向量：利用知识图谱根据用户浏览记录获取隐含关联项目，计算隐含关联项目的注意力得分并聚合，得到用户兴趣的嵌入表征向量；以及获取候选项目的嵌入表征向量：利用知识图谱根据项目信息获取与用户偏好相近的候选项目，计算候选项目的注意力得分并聚合，得到候选项目的嵌入表征向量；S2：根据用户兴趣的嵌入表征向量和候选项目的嵌入表征向量预测用户与候选项目的交互概率，根据预测得到的交互概率进行推荐。本发明专利技术提供一种基于知识图谱的推荐方法、系统、设备及存储介质，解决了现有的知识图谱推荐方法的推荐效果不佳的问题。的问题。的问题。

【技术实现步骤摘要】
一种基于知识图谱的推荐方法、系统、设备及存储介质


[0001]本专利技术涉及知识图谱的
，更具体的，涉及一种基于知识图谱的推荐方法、系统、设备及存储介质。

技术介绍

[0002]在信息爆炸的社会，人们面对的信息量呈指数级增长。个性化推荐技术是一个帮助用户快速找到他们可能感兴趣的信息的技术，其目的是通过研究如何处理海量的异构数据，构建最优的用户偏好模型，帮助用户有效缓解信息过载。
[0003]近年来，随着图神经网络的兴起，推荐领域引入图神经网络的应用也日益成为研究热点。考虑到用户
‑
项目之间的关系并非只是二维结构所能完全反映的，以图结构的形式对数据进行建模更能真实揭示数据之间的关联关系。此外，知识图谱的应用能够以辅助信息的形式填充原始数据的不足，一定程度上解决困扰研究者们已久的数据稀疏性问题，同时也能从项目的语义信息层面进一步挖掘出隐含信息，而非仅仅通过历史纪录等显性数据来进行建模，从而更加精确地刻画用户画像和项目特征，从而进行更为有效的具备可解释性的个性化推荐。
[0004]但是现有的知识图谱推荐方法大多是注重利用项目端的知识图谱来挖掘项目之间的隐含信息，而忽略用户端与项目端的差异，无法准确地计算用户的偏好以及基于用户偏好的项目特性，导致推荐效果不佳。

技术实现思路

[0005]本专利技术为克服现有的知识图谱推荐方法的推荐效果不佳的技术缺陷，提供一种基于知识图谱的推荐方法、系统、设备及存储介质。
[0006]为解决上述技术问题，本专利技术的技术方案如下：
[0007]一种基于知识图谱的推荐方法，包括以下步骤：
[0008]S1：获取用户兴趣的嵌入表征向量：
[0009]利用知识图谱根据用户浏览记录获取隐含关联项目，计算隐含关联项目的注意力得分并聚合，得到用户兴趣的嵌入表征向量；
[0010]以及获取候选项目的嵌入表征向量：
[0011]利用知识图谱根据项目信息获取与用户偏好相近的候选项目，计算候选项目的注意力得分并聚合，得到候选项目的嵌入表征向量；
[0012]S2：根据用户兴趣的嵌入表征向量和候选项目的嵌入表征向量预测用户与候选项目的交互概率，根据预测得到的交互概率进行推荐。
[0013]上述方案中，分别从用户端和项目端按照知识图谱的传播链路进行注意力得分计算和聚合，对应得到用户兴趣的嵌入表征向量和候选项目的嵌入表征向量，结合用户端和项目端来预测用户与候选项目的交互概率，根据预测得到的交互概率进行推荐，合理考虑了用户端和项目端的特征信息，提升了推荐效果，具有广阔的推广空间和使用价值。
[0014]优选的，所述用户偏好为与用户浏览项目相关联的所有尾实体项目的聚合表示。
[0015]优选的，通过以下步骤得到用户兴趣的嵌入表征向量：
[0016]在知识图谱中传播的每一层采样预设数量的邻居节点，通过偏好传播得到用户在不同阶数的领域节点集合：
[0017][0018]假设用户u产生交互的项目的集合为V
u
＝{v|y
u,v
＝1}，y
u,v
＝1表示用户u与项目v之间有交互，则用户兴趣的嵌入表征为：
[0019][0020]通过聚合用户在所有阶数的领域节点集合的用户兴趣的嵌入表征u
Nu
以及用户的原始表征得到用户兴趣的嵌入表征向量e
u
；
[0021]其中，表示用户在第1阶的领域节点集合，表示用户在第2阶的领域节点集合，表示用户在第k阶的领域节点集合，N(u)表示用户的所有阶数的领域节点集合，表示隐含关联项目的注意力得分，h表示头实体项目，r表示关系，t表示尾实体项目，π
ur,v
＝v
T
e
r
e
h
表示用户端的未归一化的注意力得分；e
r
表示知识图谱三元组中关系r的嵌入表征向量，e
h
表示知识图谱三元组中头实体项目的嵌入表征向量；e
t
表示知识图谱三元组中尾实体项目的嵌入表征向量，表示用户产生过交互的项目的邻域信息，G表示项目端的知识图谱。
[0022]优选的，用户兴趣的嵌入表征的聚合公式包括：
[0023]agg
sum
＝sigmoid(W(u+u
Nu
)+b)
[0024]agg
concat
＝sigmoid(Wconcat(u,u
Nu
)+b)
[0025]agg
bi
‑
intercation
＝LeakyRelu(W1(u+u
Nu
)+b1)+LeakyRelu(W2(u+u
Nu
)+b2)
[0026]其中，agg
sum
表示加法聚合器，b、b1、b2分别表示不同的正则项，sigmoid表示sigmoid函数，agg
concat
表示联结聚合器，Wconcat、W1、W2分别表示不同的可学习的训练参数，agg
bi
‑
intercation
表示双线性聚合器，LeakyRelu是一种基于ReLU的激活函数，用于为所有的负值分配一个非零的斜率。
[0027]优选的，通过以下步骤得到候选项目的嵌入表征向量：
[0028]计算候选项目的注意力得分
[0029][0030][0031]计算与项目v关联的尾实体的集合
[0032][0033]聚合项目v的尾实体本身以及与项目v的尾实体关联的所有领域节点得到实体的嵌入表征向量
[0034][0035]将实体投射到用户的空间上来优化实体的嵌入表征，融合得到单层关联实体的向量
[0036][0037]将各层关联实体的向量聚合得到相应层领域节点的嵌入表征向量：
[0038][0039]聚合各层领域节点的嵌入表征向量得到候选项目的嵌入表征向量e
v
；
[0040]其中，π
k
表示未归一化的注意力得分，W0、W2表示不同的可学习的训练参数，concat表示将向量联结，表示与项目v的尾实体关联的第k个头实体，表示与项目v的尾实体关联的第k个关系，表示尾实体的嵌入表征向量，b0表示正则项，h
k
表示与尾实体关联的第k个头实体，N(t
v
)表示与项目v关联的尾实体的集合，表示与项目v的尾实体关联的第k个头实体的嵌入表征向量，W1表示可学习的训练参数，sigmoid表示sigmoid函数，u表示用户，b表示正则项，表示项目v在第l层的最终嵌入表征向量，t
v
表示与项目v相关联的尾实体t，表示与项目v在第l层所有关联的尾实体的集合。
[0041]上述方案中，结合知识图谱的三元组结构特点，分别从实体注意力和关系注意力得到关联项目的注意力得分，并聚合得到候选项本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的推荐方法，其特征在于，包括以下步骤：S1：获取用户兴趣的嵌入表征向量：利用知识图谱根据用户浏览记录获取隐含关联项目，计算隐含关联项目的注意力得分并聚合，得到用户兴趣的嵌入表征向量；以及获取候选项目的嵌入表征向量：利用知识图谱根据项目信息获取与用户偏好相近的候选项目，计算候选项目的注意力得分并聚合，得到候选项目的嵌入表征向量；S2：根据用户兴趣的嵌入表征向量和候选项目的嵌入表征向量预测用户与候选项目的交互概率，根据预测得到的交互概率进行推荐。2.根据权利要求1所述的一种基于知识图谱的推荐方法，其特征在于，所述用户偏好为与用户浏览项目相关联的所有尾实体项目的聚合表示。3.根据权利要求1所述的一种基于知识图谱的推荐方法，其特征在于，通过以下步骤得到用户兴趣的嵌入表征向量：在知识图谱中传播的每一层采样预设数量的邻居节点，通过偏好传播得到用户在不同阶数的领域节点集合：假设用户u产生交互的项目的集合为V
u
＝{v|y
u,v
＝1}，y
u,v
＝1表示用户u与项目v之间有交互，则用户兴趣的嵌入表征为：通过聚合用户在所有阶数的领域节点集合的用户兴趣的嵌入表征u
Nu
以及用户的原始表征得到用户兴趣的嵌入表征向量e
u
；其中，表示用户在第1阶的领域节点集合，表示用户在第2阶的领域节点集合，表示用户在第k阶的领域节点集合，N(u)表示用户的所有阶数的领域节点集合，表示隐含关联项目的注意力得分，h表示头实体项目，r表示关系，t表示尾实体项目，π
ur,v
＝v
T
e
r
e
h
表示用户端的未归一化的注意力得分；e
r
表示知识图谱三元组中关系r的嵌入表征向量，e
h
表示知识图谱三元组中头实体项目的嵌入表征向量；e
t
表示知识图谱三元组中尾实体项目的嵌入表征向量，表示用户产生过交互的项目的邻域信息，G表示项目端的知识图谱。4.根据权利要求3所述的一种基于知识图谱的推荐方法，其特征在于，用户兴趣的嵌入表征的聚合公式包括：agg
sum
＝sigmoid(W(u+u
Nu
)+b)agg
concat
＝sigmoid(Wconcat(u,u
Nu
)+b)agg
bi
‑
intercation
＝LeakyRelu(W1(u+u
Nu
)+b1)+LeakyRelu(W2(u+u
Nu
)+b2)其中，agg
sum
表示加法聚合器，b、b1、b2分别表示不同的正则项，sigmoid表示sigmoid函数，agg
concat
表示联结聚合器，Wconcat、W1、W2分别表示不同的可学习的训练参数，
agg
bi
‑
intercation
表示双线性聚合器，LeakyRelu是一种基于ReLU的激活函数，用于为所有的负值分配一个非零的斜率。5.根据权利要求1所述的一种基于知识图谱...

【专利技术属性】
技术研发人员：龙贤轩，陈平华，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：