一种图模型表征学习的动态知识图谱服务推荐方法技术

本发明专利技术公开了一种图模型表征学习的动态知识图谱服务推荐方法

【技术实现步骤摘要】
一种图模型表征学习的动态知识图谱服务推荐方法


[0001]本专利技术涉及计算机
，尤其是一种图模型表征学习的动态知识图谱服务推荐方法
。

技术介绍

[0002]工业与城市互联网环境中的工业软件系统具有规模庞大
、
复杂的特点，涉及到多个软件组件和设备实体的跨平台
、
跨操作系统
、
跨编程语言
、
跨网络等复杂情况
。
为了应对这些特征，工业软件组件采用了服务化和组件化封装的方式，通过提供统一的互操作访问接口来管理和整合这些繁杂异构的软件服务组件和设备实体
。
与此同时，由于人们对个性化服务的需求增加，服务推荐领域引起了广泛关注
。
传统的推荐算法主要基于用户的历史行为数据，但数据稀疏时存在推荐结果不准确问题
。

技术实现思路

[0003]本专利技术的目的在于至少一定程度上解决现有技术中存在的技术问题之一
。
[0004]为此，本专利技术的目的在于提供一种准确的图模型表征学习的动态知识图谱服务推荐方法
。
[0005]为了达到上述技术目的，本专利技术实施例所采取的技术方案包括：
[0006]一方面，本专利技术实施例提供了一种图模型表征学习的动态知识图谱服务推荐方法，包括以下步骤：
[0007]本专利技术实施例的图模型表征学习的动态知识图谱服务推荐方法，该方法包括：获取对象的文本描述信息；对所述文本描述信息进行特征抽取操作，得到服务特征；所述服务特征用于表征对象
、
服务提供者和对象需求的服务；将所述服务特征作为节点，构建初始推荐模型；所述初始推荐模型基于知识图谱建立；通过粒子群算法对所述初始推荐模型的参数进行优化，得到目标推荐模型；通过所述目标推荐模型对目标对象进行推荐
。
本申请实施例基于图神经网络构建初始推荐模型，缓解了数据稀疏时的推荐准确率不佳的问题；同时，通过粒子群算法对模型参数进行更新，提升模型的推荐准确度
。
[0008]另外，根据本专利技术上述实施例的图模型表征学习的动态知识图谱服务推荐方法，还可以具有以下附加的技术特征：
[0009]进一步地，本专利技术实施例的图模型表征学习的动态知识图谱服务推荐方法，所述方法还包括：
[0010]通过优化图神经网络算法学习每个节点的特征表示，并根据所述特征表示更新所述初始推荐模型；所述节点为所述初始推荐模型中的知识图谱的节点
。
[0011]进一步地，在本专利技术的一个实施例中，所述将所述服务特征作为节点，构建初始推荐模型，包括：
[0012]根据所述服务特征，构建对象节点
、
服务节点
、
服务特征节点和服务提供者节点；
[0013]通过皮尔逊相关系数计算对象节点之间的社会相似度；
[0014]根据两个服务节点之间的服务特征公共集合与服务特征的总集合之间的关系，确定服务节点之间的服务相似度；
[0015]若对象与服务之间存在调用关系，根据对象对多次调用服务的满意度均值，确定对象节点与服务节点之间的直接满意相似度；
[0016]若对象与服务之间不存在调用关系，根据相似对象对多次调用服务的满意度均值，确定对象节点与服务节点之间的间接满意相似度；
[0017]根据所述社会相似度
、
所述服务相似度
、
所述直接满意相似度和所述间接满意相似度，构建关系边；
[0018]根据所述对象节点
、
所述服务节点
、
所述服务特征节点
、
所述服务提供者节点和关系边，构建初始推荐模型
。
[0019]进一步地，在本专利技术的一个实施例中，所述初始推荐模型包括若干图神经网络层，所述通过优化图神经网络算法学习每个节点的特征表示，并根据所述特征表示更新所述初始推荐模型，包括以下步骤：
[0020]在当前图神经网络层，对当前节点的特征向量与相邻节点的特征向量进行卷积处理，得到特征矩阵；根据特征矩阵，更新当前节点的特征表示；
[0021]根据特征矩阵，对下一层的图神经网络层进行节点的特征表示更新操作，直至完成所有图神经网络层的特征表示更新操作，更新初始推荐模型
。
[0022]进一步地，在本专利技术的一个实施例中，所述通过粒子群算法对所述初始推荐模型的参数进行优化，得到目标推荐模型这一步骤，包括：
[0023]初始化粒子群的位置和速度；
[0024]根据当前位置的学习率，确定初始推荐模型的性能指标为适应度；
[0025]更新每个粒子的位置和速度，根据预设终止条件，确定目标位置和目标学习率；
[0026]根据所述目标学习率，确定目标推荐模型
。
[0027]进一步地，在本专利技术的一个实施例中，所述方法还包括对初始推荐模型进行训练的步骤：
[0028]获取对象的服务特征样本；
[0029]将所述服务特征样本输入所述初始推荐模型，得到样本预测结果，根据所述样本预测结果与真实结果构建损失函数；
[0030]根据所述损失函数，通过方向传播算法对所述初始推荐模型的参数进行更新训练
。
[0031]进一步地，在本专利技术的一个实施例中，所述对所述文本描述信息进行特征抽取操作，得到服务特征，包括：
[0032]对所述文本描述信息进行数据清洗操作，得到第一数据；
[0033]对所述第一数据进行数据类型划分处理，得到第二数据；
[0034]对所述第二数据进行特征提取操作，得到第三数据；
[0035]对所述第三数据进行归一化处理，得到服务特征
。
[0036]另一方面，本专利技术实施例提出了一种基于知识图谱的推荐系统，包括：
[0037]第一模块，用于获取对象的文本描述信息；
[0038]第二模块，用于对所述文本描述信息进行特征抽取操作，得到服务特征；所述服务
特征用于表征对象
、
服务提供者和对象需求的服务；
[0039]第三模块，用于将所述服务特征作为节点，构建初始推荐模型；所述初始推荐模型基于知识图谱建立；
[0040]第四模块，用于通过粒子群算法对所述初始推荐模型的参数进行优化，得到目标推荐模型；
[0041]第五模块，用于通过所述目标推荐模型对目标对象进行推荐
。
[0042]另一方面，本专利技术实施例提供了一种基于知识图谱的推荐装置，包括：
[0043]至少一个处理器；
[0044]至少一个存储器，用于存储至少一个程序；
[0045]当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的图模型表征学习的动态知识图谱服务推荐方法
。
[0046]另一方面，本专利技术实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种图模型表征学习的动态知识图谱服务推荐方法，其特征在于，包括以下步骤：获取对象的文本描述信息；对所述文本描述信息进行特征抽取操作，得到服务特征；所述服务特征用于表征对象
、
服务提供者和对象需求的服务；将所述服务特征作为节点，构建初始推荐模型；所述初始推荐模型基于知识图谱建立；通过粒子群算法对所述初始推荐模型的参数进行优化，得到目标推荐模型；通过所述目标推荐模型对目标对象进行推荐
。2.
根据权利要求1所述的图模型表征学习的动态知识图谱服务推荐方法，其特征在于，所述方法还包括：通过优化图神经网络算法学习每个节点的特征表示，并根据所述特征表示更新所述初始推荐模型；所述节点为所述初始推荐模型中的知识图谱的节点
。3.
根据权利要求1所述的图模型表征学习的动态知识图谱服务推荐方法，其特征在于，所述将所述服务特征作为节点，构建初始推荐模型，包括：根据所述服务特征，构建对象节点
、
服务节点
、
服务特征节点和服务提供者节点；通过皮尔逊相关系数计算对象节点之间的社会相似度；根据两个服务节点之间的服务特征公共集合与服务特征的总集合之间的关系，确定服务节点之间的服务相似度；若对象与服务之间存在调用关系，根据对象对多次调用服务的满意度均值，确定对象节点与服务节点之间的直接满意相似度；若对象与服务之间不存在调用关系，根据相似对象对多次调用服务的满意度均值，确定对象节点与服务节点之间的间接满意相似度；根据所述社会相似度
、
所述服务相似度
、
所述直接满意相似度和所述间接满意相似度，构建关系边；根据所述对象节点
、
所述服务节点
、
所述服务特征节点
、
所述服务提供者节点和关系边，...

【专利技术属性】
技术研发人员：王涛，张永健，程良伦，
申请(专利权)人：广东能哥知识科技有限公司，
类型：发明
国别省市：