一种基于知识图谱的多对比学习推荐方法技术

本发明专利技术公开了一种基于知识图谱的多对比学习推荐方法，主要涉及计算机应用技术领域；包括步骤：S1、通过知识感知聚合模块将项目映射到知识图谱中的外部实体，以获取丰富的语义信息；S2、使用图协同过滤模块将用户

【技术实现步骤摘要】
一种基于知识图谱的多对比学习推荐方法


[0001]本专利技术涉及计算机应用
，具体是一种基于知识图谱的多对比学习推荐方法。

技术介绍

[0002]目前，由于信息过载问题，用户很难从大量的选择中找到自己感兴趣的东西。为了改善用户体验，推荐系统已被广泛应用于诸如电影推荐、在线购物和音乐推荐等场景。而协同过滤作为一种经典的推荐技术，可以从隐式反馈(点击、浏览、交易等)中产生有效的推荐，其基本原理是相识的用户可能对相识的项目感兴趣，为了将用户和项目的交互信息编码进节点表示中，使用GNN学习用户
‑
项目交互图中的有效节点，增强协同过滤，称为图协同过滤。然而，即使在对复杂的用户
‑
项目交互模式进行建模的情况下，图协同过滤推荐方法仍然受到数据稀缺问题的困扰，为了克服这种数据稀疏问题，知识图谱(KG)作为有用的外部资源被结合到推荐系统中，通过编码额外的项目语义相关度来增强用户和项目的表示，增强推荐效果。
[0003]现有的KG增强方法大致可分为三类，第一类是基于嵌入的方法，将知识图谱学习与用户
‑
项目交互建模联系起来，该方法实现简单，缺点是不能充分利用数据信息；第二类是基于路径的方法，旨在构建KG实体引导的用户项目连接，然而，该方法大多需要设计构建精确的实体依赖元路径，这通常需要特定领域的专业人员参与，在现实中很难优化；第三类是基于传播的方法，受到图神经网络的启发，将多跳邻居表示为图上的节点，通过GNN对KG上的节点表示进行增强，从而获得比较好的结果，典型工作如KGCN、KGAT、和KGIN。
[0004]以上方法在特定场景中是有效的，但这种有效性在很大程度上依赖于高质量的知识图谱，然而在实际场景中，知识图谱通常含有大量噪声，影响了推荐结果的准确性。同时，以上方法只对用户项目交互数据进行简单建模，没有挖掘其内在深层次的关联，不能有效缓解数据稀疏问题。

技术实现思路

[0005]本专利技术的目的在于解决现有技术中存在的问题，提供一种基于知识图谱的多对比学习推荐方法，不仅提高了推荐的鲁棒性，而且有效缓解了稀疏性问题和数据噪声问题。
[0006]本专利技术为实现上述目的，通过以下技术方案实现：
[0007]一种基于知识图谱的多对比学习推荐方法，包括步骤：
[0008]S1、通过知识感知聚合模块将项目映射到知识图谱中的外部实体，以获取丰富的语义信息；
[0009]S2、使用图协同过滤模块将用户
‑
项目交互数据建模为图，图协同过滤模块使用图神经网络和协同过滤捕捉交互图上节点信息，并训练得到用户和项目节点的表示；
[0010]S3、使用随机图对比学习和领域对比学习，分别利用节点自身信息和节点邻居信息优化节点表示；
[0011]S4、将用户节点表示和项目节点表示内积，计算预测结果，根据结果完成推荐。
[0012]优选的，步骤S1中，知识感知聚合模块分为关系感知聚合和知识语义增强，关系感知聚合使用注意力机制捕捉知识图谱关系，知识语义增强是使用TransD进行知识图谱嵌入训练，增强有效的信息，交替使用关系感知聚合和知识语义增强以导出更健壮的项目表示。
[0013]优选的，步骤S3中，随机对比学习是通过对交互图进行随机丢弃边操作增强节点信息生成随机图，然后将同一节点生成的随机图作为正对，不同节点生成的随即图作为负对进行对比学习；领域对比学习包括结构邻居对比学习和语义邻居对比学习，结构邻居对比学习是指将节点和它的同类节点进行对比学习，可以汇集节点同类邻居信息，同类节点为同为用户节点或同为项目节点；语义邻居是指在交互图上不相连的节点，投影到多维空间相邻的节点，它们具有相似的特征或偏好，通过语义邻居对比学习，可以汇集到更多的邻居信息。
[0014]优选的，步骤S1中，知识感知聚合模块包括：
[0015]在项目及其在的连接实体之间构建了消息聚合机制，用于基于异构注意聚合生成知识感知的项目嵌入，如下所示：
[0016][0017][0018]其中，是知识图谱中基于关系r(e,i)的项目i的相邻实体，这里实体和项目的嵌入分别表示为和δ(e,r
e,i
,i)表示实体和关系的注意相关性；表示为输入项目和实体表示形式，是自定义的参数权重矩阵；非线性变换采用ReLU激活函数；
[0019]知识语义增强提供两个动态投影矩阵，分别投影头实体h和尾实体t，且这两个映射矩阵由实体和关系共同确定，使得它们互不相同又相互作用，两个映射矩阵定义如下所示：
[0020][0021]x
h
＝M
rh
h
p
,x
t
＝M
rt
t
p
[0022]其中，是(h,r,t)的投影向量，I为单位矩阵；这里，定义f
d
(
·
)来表示嵌入向量之间基于L2范数的相似性度量函数，即形式上，TransD的优化损失如下所示：
[0023][0024]其中，负样本t
′
是通过随机替换来自知识图谱的观测三元组(h,r,t)的尾部i来生成的。
[0025]优选的，步骤S2中，图协同过滤模块中定义传播规则为：
[0026][0027][0028]其中，和表示分别表示用户u和项目i的第n层嵌入，表示和用户u交互的项目集，表示和项目i交互的用户集；
[0029]在传播到n层后，采用加权和函数作为聚合函数来组合每一层的嵌入，得到最终表示，如下所示：
[0030][0031]其中，x
u
和x
i
分别为用户u和项目i的最终表示；
[0032]对于交互概率的最终表示，采用内积来表示用户u和项目i交互的可能性，如下所示：
[0033][0034]其中，是用户u和项目i交互的预测得分，被用作推荐生成的排名；
[0035]采用贝叶斯个性化损失函数，如下所示：
[0036][0037]其中，σ(
·
)是sigmoid函数，D＝{(u,i,j)∣Y
u,i
＝1,Y
u,j
＝0}，i表示和用户u有交互的项目，j表示和用户u没有交互的项目。
[0038]优选的，步骤S3中，随机图对比学习时，对于每个用户或项目节点，同一节点生成的两个随机图为正对，负对是指不同节点生成的两个随机图；其中，对比损失函数如下所示：
[0039][0040]其中，i,j是采样batch中的users/items，τ是温度参数，x
′
i
是x
i
的边丢弃版本；
[0041]通过最小化对比损失函数实现最大化正对z
′
i
和z
″
i
的一致性，同时最小化负对z
′
i
和z
″
j
的一致性，可以学习到交互数据中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的多对比学习推荐方法，其特征在于，包括步骤：S1、通过知识感知聚合模块将项目映射到知识图谱中的外部实体，以获取丰富的语义信息；S2、使用图协同过滤模块将用户
‑
项目交互数据建模为图，图协同过滤模块使用图神经网络和协同过滤捕捉交互图上节点信息，并训练得到用户和项目节点的表示；S3、使用随机图对比学习和领域对比学习，分别利用节点自身信息和节点邻居信息优化节点表示；S4、将用户节点表示和项目节点表示内积，计算预测结果，根据结果完成推荐。2.根据权利要求1所述的一种基于知识图谱的多对比学习推荐方法，其特征在于，步骤S1中，知识感知聚合模块分为关系感知聚合和知识语义增强，关系感知聚合使用注意力机制捕捉知识图谱关系，知识语义增强是使用TransD进行知识图谱嵌入训练，增强有效的信息，交替使用关系感知聚合和知识语义增强以导出更健壮的项目表示。3.根据权利要求1所述的一种基于知识图谱的多对比学习推荐方法，其特征在于，步骤S3中，随机对比学习是通过对交互图进行随机丢弃边操作增强节点信息生成随机图，然后将同一节点生成的随机图作为正对，不同节点生成的随即图作为负对进行对比学习；领域对比学习包括结构邻居对比学习和语义邻居对比学习，结构邻居对比学习是指将节点和它的同类节点进行对比学习，可以汇集节点同类邻居信息，同类节点为同为用户节点或同为项目节点；语义邻居是指在交互图上不相连的节点，投影到多维空间相邻的节点，它们具有相似的特征或偏好，通过语义邻居对比学习，可以汇集到更多的邻居信息。4.根据权利要求1所述的一种基于知识图谱的多对比学习推荐方法，其特征在于，步骤S1中，知识感知聚合模块包括：在项目及其在的连接实体之间构建了消息聚合机制，用于基于异构注意聚合生成知识感知的项目嵌入，如下所示：识感知的项目嵌入，如下所示：其中，是知识图谱中基于关系r(e,i)的项目i的相邻实体，这里实体和项目的嵌入分别表示为和δ(e,r
e,i
,i)表示实体和关系的注意相关性；表示为输入项目和实体表示形式，是自定义的参数权重矩阵；非线性变换采用ReLU激活函数；知识语义增强提供两个动态投影矩阵，分别投影头实体h和尾实体t，且这两个映射矩阵由实体和关系共同确定，使得它们互不相同又相互作用，两个映射矩阵定义如下所示：x
h
＝M
rh
h
p
,x
t
＝M
tt
t
p
其中，是(h,r,t)的投影向量，I为单位矩阵；
这里，定义f
d
(
·
)来表示嵌入向量之间基于L2范数的相似性度量函数，即形式上，TransD的优化损失如下所示：其中，负样本t
′
是通过随机替换来自知识图谱的观测三元组(h,r,t)的尾部i来生成的。5.根据权利要求1所述的一种基于知识图谱的多对比学习推荐方法...

【专利技术属性】
技术研发人员：洪昶，陈飞，刘伟，吕昊宸，
申请(专利权)人：重庆市知识产权保护中心重庆摩托车汽车知识产权信息中心，
类型：发明
国别省市：