【技术实现步骤摘要】
一种基于协同知识图谱邻近采样的长尾推荐方法
[0001]技术邻域
[0002]本专利技术涉及推荐
,尤其是一种基于协同知识图谱邻近采样的长尾推荐方法。
技术介绍
[0003]推荐系统已经应用于生活中的各个领域,如网上购物、短视频推荐及各种搜索网站等等。目前,结合了神经网络的推荐系统凭借其推荐准确率逐渐成为推荐系统中的主流,然而在其模型训练过程中会使得模型偏向于向用户推荐流行物品,而许多长尾物品却无法出现在推荐列表中。对于用户来说,总是向他们推荐流行物品,推荐列表中缺少了长尾推荐所带来的偶然性和多样性,使用户感受到厌烦;对于企业来说,因长尾物品未被推荐,导致用户即使喜欢也难以看见及购买,影响了企业的利润。
技术实现思路
[0004]本专利技术是为了解决现有技术所存在的上述技术问题,提供一种基于协同知识图谱邻近采样的长尾推荐方法。
[0005]本专利技术的技术解决方案是:一种基于协同知识图谱邻近采样的长尾推荐方法,按照如下步骤进行:
[0006]步骤1.获取用户
‑
物品二部图G1={(u,i)|u∈U,i∈I}、知识图谱
[0007]G2={(h,r,t)|h,t∈ε,r∈R}和协同知识图G3={(h,r,t)|h,t∈ε
′
,r∈R
′
};
[0008]所述二部图G1中,(u,i)表示用户u与物品i有过交互,U={u1,u2,...,u
|U|
}表示用户集合,I={i1,i2,...,i
|I|< ...
【技术保护点】
【技术特征摘要】
1.一种基于协同知识图谱邻近采样的长尾推荐方法,其特征在于按照如下步骤进行:步骤1.获取用户
‑
物品二部图G1={(u,i)|u∈U,i∈I}、知识图谱G2={(h,r,t)|h,t∈ε,r∈R}和协同知识图G3={(h,r,t)|h,t∈ε
′
,r∈R
′
};所述二部图G1中,(u,i)表示用户u与物品i有过交互,U={u1,u2,...,u
|U|
}表示用户集合,I={i1,i2,...,i
|I|
}表示物品集合,知识图谱G2中,ε={e1,e2,...,e
|ε|
}表示实体集合,R={r1,r2,...,r
|R|
}表示关系集合;协同知识图谱G3中,ε
′
=ε∪U,R
′
=R∪{交互},|U|表示用户的总数量,|I|表示物品的总数量,|ε|表示实体的总数量,|R|表示关系的总数量;令用户u的一阶近邻的集合为N
u
;令物品i的一阶近邻的集合为N
i
;令属性e的一阶近邻的集合为N
e
;步骤2.在协同知识图G3上为每个用户u随机采样协同路径;从用户节点出发,有一阶邻居集合二阶邻居集合阶邻居集合在每一阶邻居集合中随机采样一个节点,并将这些节点连起来,得到一条长度为k个节点的协同路径,记作P
u
={e1,e2,...,e
k
},其中重复上述过程多次,得到多条协同路径;步骤3.按照式(1)计算每个用户的每一条协同路径的平均物品流行度;式(1)中,K表示路径中的节点数量;K
′
表示路径中的物品节点数量;a
k
是一个表示第k个节点是否进行累加的参数,其值为0或1,当第k个节点为物品节点时,其值为1,反之为0;p
k
表示第k个节点的流行度,即该节点与用户节点的交互次数;步骤4.选取平均物品流行度最低的X条路径P
x
中的所有物品节点替换用户原始的一阶近邻,作为用户u新的一阶近邻,即:步骤5.基于每个节点和邻居节点的关系生成注意力权重,并聚合邻居节点信息;步骤5.1基于不同关系生成的注意力权重如下:π
′
(h,r,t)=(W
r
e
t
)
T
tanh((W
r
...
【专利技术属性】
技术研发人员:张志鹏,张宇航,王安琪,周平磊,张尧,任永功,
申请(专利权)人:辽宁师范大学,
类型:发明
国别省市:
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。