融合知识信息和协同信息的推荐方法技术

本发明专利技术涉及一种融合知识信息和协同信息的推荐方法

【技术实现步骤摘要】
融合知识信息和协同信息的推荐方法、装置、设备及介质


[0001]本专利技术属于推荐
，具体而言涉及一种融合知识信息和协同信息的推荐方法
、
装置
、
设备及介质
。

技术介绍

[0002]随着互联网应用的快速发展，推荐系统已经广泛应用于教育和媒体应用，电子商务平台，社交网络和商业网站
。
基于协同过滤传统推荐算法是在各种应用场景中使用最广泛和最有效的一种，该算法通过基于来自历史交互的用户或物品的相似性来建模用户的兴趣偏好
。
然而，基于
CF
的推荐算法通常存在数据稀疏问题和冷启动问题
。
为了缓解这些问题，将用户信息和物品描述等辅助信息整合到推荐系统中变得更加常见
。
而知识图谱（
KG
）包含丰富的语义
、
有意义的事实和关系，因此近年来引起了的广泛关注
。
[0003]缓解数据稀疏问题和冷启动问题的主要挑战是如何有效整合用户行为的
KG
信息和协作信息，同时保留它们之间的内在联系，以提高个性化推荐的最终性能
。
然而，现有的基于
KG
的推荐算法存在两个问题：（1）现有的工作通常侧重于编码
KG
三元组进行知识补充，而忽略了用户
‑
物品交互图嵌入学习中协作信息的显式传播
。
（2）常规方法简单地混合
KG
信息和协作信息，然后进行学习混合后的信息
。
这些模型可能导致收集过多的无信息知识，从而产生次优的建议
。
[0004]本专利技术的目的在于提供一种推荐方法以加强现有技术中信息融合
。

技术实现思路

[0005]鉴于上述的分析，本专利技术实施例旨在提供一种融合知识信息和协同信息的推荐方法
、
装置
、
设备及介质，用以解决现有技术中推荐方法存在的信息融合不足导致推荐结果准度低的问题
。
[0006]本专利技术第一方面实施例提供一种融合知识信息和协同信息的推荐方法，包括以下步骤：基于第一对象与第二对象的交互信息构建交互图，通过图神经网络对所述交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示；获取知识图谱，所述知识图谱包括所述第一对象
、
第二对象
、
第一对象间的关系
、
第二对象间的关系或者第一对象与第二对象间的关系，通过图神经网络对所述知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示；通过注意力机制将所述第一对象协作信息表示和第一对象知识信息表示融合为第一对象信息表示，以及将所述第二对象协作信息表示和所述第二对象知识信息表示融合为第二对象信息表示；构建训练样本集，训练样本为包括第一对象和第二对象的样本对，训练样本依据第一对象和第二对象有无交互分为交互集和未交互集，基于所述第一对象信息表示和第二对象信息表示对所述训练样本集中的样本对进行推荐评估，根据所述交互集和所述未交互
集各自的样本推荐评估差异确定损失值，基于所述损失值进行模型训练；通过训练后的第一对象信息表示和第二对象信息表示获取第一对象对未交互第二对象的推荐预测分数
。
[0007]在一些实施例中，所述通过图神经网络对所述交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示，包括：通过第一聚合函数汇聚所述第一对象第二对象交互图中的第一对象的邻居节点的表示作为该第一对象的下一层协作信息表示，汇聚过程表示为：；其中，表示第一对象
u
的协作信息的第
k
层表示，表示第二对象
i
的协作信息的第
k
层表示，表示第一对象
u
的邻居节点的集合，表示第一聚合函数；以及通过第一聚合函数汇聚所述第一对象第二对象交互图中的第二对象的邻居节点的表示作为该第二对象的下一层协作信息表示，汇聚过程表示为：；其中，表示第一对象
u
的协作信息的第
k
层表示，表示第二对象
i
的协作信息的第
k
层表示，表示第二对象
i
的邻居节点的集合，表示第一聚合函数
。
[0008]在一些实施例中，第一对象
u
的协作信息的第
k+1
层表示采用的第一聚合函数表示为：；第二对象
i
的协作信息的第
k+1
层表示采用的第一聚合函数表示为：；其中，表示第一对象
u
的协作信息的第
k
层表示，表示第二对象
i
的协作信息的第
k
层表示，表示第一对象
u
的邻居节点的集合，表示第二对象
i
的邻居节点的集合
。
[0009]在一些实施例中，所述通过图神经网络对所述知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示，包括：通过第二聚合函数汇聚所述知识图谱中的第一对象或者第二对象的邻居节点和邻接关系作为该第一对象或者第二对象的下一层知识信息表示，汇聚过程表示为：；其中，表示第一对象或者第二对象
u
的知识信息的第
k
层表示，表示实体
v
的知识信息的第
k
层表示，表示第一对象
u
和实体
v
的关系表示，表示第一对象或第二对象
u
的近邻集合，表示第二聚合函数
。
[0010]在一些实施例中，第一对象或者第二对象
u
的知识信息的第
k+1
层表示采用的第二聚合函数表示为：；
其中，表示第一对象或者第二对象
u
的知识信息的第
k+1
层表示，表示实体
v
的知识信息的第
k
层表示，表示第一对象或者第二对象
u
和实体
v
的关系表示，表示第一对象或第二对象
u
的近邻集合，表示基于元素的乘积
。
[0011]在一些实施例中，通过注意力机制将所述第一对象协作信息表示和第一对象知识信息表示融合为第一对象信息表示，以及将所述第二对象协作信息表示和所述第二对象知识信息表示融合为第二对象信息表示，包括：通过注意力机制将第一对象的协作信息表示和第一对象知识信息表示融合，融合公式表示为：；其中，表示第一对象第
k
层融合表示，表示第一对象
u
的知识信息第
k
层表示，表示第一对象
u
的协同信息第
k
层表示，表示第一对象
u
的注意力融合函数，表示的注意力得分，表示的注意力得分；；；通过注意力机制将第二本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种融合知识信息和协同信息的推荐方法，其特征在于，包括以下步骤：基于第一对象与第二对象的交互信息构建交互图，通过图神经网络对所述交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示；获取知识图谱，所述知识图谱包括所述第一对象
、
第二对象
、
第一对象间的关系
、
第二对象间的关系或者第一对象与第二对象间的关系，通过图神经网络对所述知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示；通过注意力机制将所述第一对象协作信息表示和第一对象知识信息表示融合为第一对象信息表示，以及将所述第二对象协作信息表示和所述第二对象知识信息表示融合为第二对象信息表示；构建训练样本集，训练样本为包括第一对象和第二对象的样本对，训练样本依据第一对象和第二对象有无交互分为交互集和未交互集，基于所述第一对象信息表示和第二对象信息表示对所述训练样本集中的样本对进行推荐评估，根据所述交互集和所述未交互集各自的样本推荐评估差异确定损失值，基于所述损失值进行模型训练；通过训练后的第一对象信息表示和第二对象信息表示获取第一对象对未交互第二对象的推荐预测分数
。2.
根据权利要求1所述的融合知识信息和协同信息的推荐方法，其特征在于：所述通过图神经网络对所述交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示，包括：通过第一聚合函数汇聚所述第一对象第二对象交互图中的第一对象的邻居节点的表示作为该第一对象的下一层协作信息表示，汇聚过程表示为：；其中，表示第一对象
u
的协作信息的第
k
层表示，表示第二对象
i
的协作信息的第
k
层表示，表示第一对象
u
的邻居节点的集合，表示第一聚合函数；以及通过第一聚合函数汇聚所述第一对象第二对象交互图中的第二对象的邻居节点的表示作为该第二对象的下一层协作信息表示，汇聚过程表示为：；其中，表示第一对象
u
的协作信息的第
k
层表示，表示第二对象
i
的协作信息的第
k
层表示，表示第二对象
i
的邻居节点的集合，表示第一聚合函数
。3.
根据权利要求2所述的融合知识信息和协同信息的推荐方法，其特征在于：第一对象
u
的协作信息的第
k+1
层表示采用的第一聚合函数表示为：；第二对象
i
的协作信息的第
k+1
层表示采用的第一聚合函数表示为：；其中，表示第一对象
u
的协作信息的第
k
层表示，表示第二对象
i
的协作信息的第
k
层表示，表示第一对象
u
的邻居节点的集合，表示第二对象
i
的邻居节点的集合
。4.
根据权利要求1所述的融合知识信息和协同信息的推荐方法，其特征在于：所述通过
图神经网络对所述知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示，包括：通过第二聚合函数汇聚所述知识图谱中的第一对象或者第二对象的邻居节点和邻接关系作为该第一对象或者第二对象的下一层知识信息表示，汇聚过程表示为：；其中，表示第一对象或者第二对象
u
的知识信息的第
k
层表示，表示实体
v
的知识信息的第
k
层表示，表示第一对象
u
和实体
v
的关系表示，表示第一对象或第二对象
u
的近邻集合，表示第二聚合函数
。5.
根据权利要求1所述的融合知识信息和协同信息的推荐方法，其特征在于：第一对象或者第二对象
u
的知识信息的第
k+1
层表示采用的第二聚合函数表示为：；其中，表示第一对象或者第二对象
u
的知识信息的第
k+1
层表示，表示实体...

【专利技术属性】
技术研发人员：周朝，孔欣，林天宇，褚晓泉，段毅成，仇瑜，刘德兵，
申请(专利权)人：北京智谱华章科技有限公司，
类型：发明
国别省市：