【技术实现步骤摘要】
基于多模态知识图卷积网络模型的推荐系统及方法
[0001]本专利技术涉及个性化推荐
,特别是一种基于多模态知识图卷积网络模型的推荐系统及方法。
技术介绍
[0002]知识图谱是一种使用图结构去描述事物和事物之间联系的数据表示形式,本质上是一个大规模的语义网络。多模态知识图谱(Multimodal Knowledge Graph,MKG)与传统知识图谱的主要区别是,传统知识图谱主要集中研究文本和数据库的实体和关系,而多模态知识图谱则在传统知识图谱的基础上,构建多种模态(例如视觉模态和文本模态等)下的实体,以及多种模态实体间的多模态语义关系。多模态本质上是同一个对象不同方面的知识,它们之间是互补关系。
[0003]在多模态知识图谱出现以前,基于传统知识图谱的推荐算法整体上有三种思路,分别是基于嵌入的方法、基于路径的方法和二者结合在一起的方法。传统的图卷积网络(Graph Convolutional Network,GCN)适用于同构图,应用在多模态知识图谱这种异构图上需要加以改进。同时,GCN在聚合邻域信息的过程中,多模态知识的利用率不够充分,传统的邻域采样算法将多模态知识和常规的结构化知识混在一起随机采样,会导致部分多模态知识丢失。
[0004]推荐系统可以在海量的数据信息中获取用户偏好,从而更好地实现个性化推荐,提高用户体验,它已经作为解决互联网中信息过载问题和满足用户个性化需求的一种手段被广泛的运用在电影、新闻、购物等领域。GCN已被用于推荐系统及推荐方法,例如,中国专利CN202211224 ...
【技术保护点】
【技术特征摘要】
1.一种基于多模态知识图卷积网络模型的推荐系统,其特征在于,所述推荐系统包括多模态知识图卷积网络模型,以及模型输入模块、模型输出模块;所述多模态知识图卷积网络模型即MKGCN模型,MKGCN模型包括多模态知识图实体编码器、多模态知识图邻域采样算法模块、多模态知识图卷积层、内积计算模块;其中:模型输入模块,将多模态知识图MKG作为MKGCN模型输入,输入多模态知识图实体编码器;多模态知识图实体编码器,使用不同的编码器来给不同的实体类型编码,计算得到所有实体对应的嵌入;多模态知识图邻域采样算法模块,用于从多模态知识图谱的项目节点中,采集固定大小的邻域,参与嵌入计算过程;多模态知识图卷积层,用于将每个实体的邻域信息聚合到该实体本身,得到一个新的嵌入以更新节点自身的嵌入;内积计算模块,用于将用户实体的嵌入和物品实体的嵌入做内积运算,计算结果代表用户喜欢物品的概率;模型输出模块,用于将用户喜欢物品的概率输出至用户端并进行显示。2.根据权利要求1所述的基于多模态知识图卷积网络模型的推荐系统,其特征在于,所述多模态知识图实体编码器,使用BERT预训练模型去提取文本模态的嵌入,使用ResNet50预训练模型提取图像模态的嵌入;对于用户实体,使用随机初始化方法初始化嵌入。3.根据权利要求1所述的基于多模态知识图卷积网络模型的推荐系统,其特征在于,所述多模态知识图卷积层中,将一个给定的候选实体h直接相连节点以及关联的多模态信息聚合到实体h中,直接和实体h相关联的三元组(h,r,t)集合N
h
表示如下:N
h
={(h,r,t)|(h,r,t)∈G}并定义:直接与物品相连接的实体集合为N
v
,与用户相连接的实体集合为N
u
,并用r
i,j
表示实体i和实体j之间的关系;使用e
h
、e
t
分别表示实体h、t在知识图谱初步嵌入过程中的表示向量,e
r
表示实体间关系的嵌入向量,使用e
agg
表示聚合邻居信息的向量,e
agg
是N
h
中每个三元组的线性组合,公式如下:其中,π(h,r)表示关系r对实体h重要性当作权重处理;同理,使用π(t,r)表示关系r对实体t的重要性也当作权重处理,公式如下:π(h,r)=(e
h
||e
r
)W1其中,||代表连接操作,W1是权重矩阵;是用户
‑
关系得分正则化后的结果,公式如下:其中,r
t,m
表示实体t和实体m之间的关系;对于基于真实数据集的多模态知识图谱,N
h
的大小会随着实体的变化而变化,对每一个实体采用一个固定大小的邻居集合,这个固定大小的集合被称为实体h的感受野S
h
:
S
h
={e|e~N
h
}|S
h
|=K其中,K是一个可配置的参数,代表感受野的大小;e表示感受视野中的一个元素实体或关系,e的变化范围是e~N
h
。4.根据权利要求3所述的基于多模态知识图卷积网络模型的推荐系统,其特征在于,所述多模态知识图卷积层中,将实体h的邻居们的信息e
agg<...
【专利技术属性】
技术研发人员:王永利,廖烽贵,宫小泽,张永亮,
申请(专利权)人:南京理工大学,
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。