基于知识图谱的个性化多任务增强推荐模型制造技术

本发明专利技术公开了基于知识图谱的个性化多任务增强推荐模型，包括：线性共享单元和多任务学习模块；线性共享单元以项目和实体特征为输入，经过线性特征交互和压缩得到用于下一层线性共享单元的输入，经过l层后得到两个任务之间的共同特征，作为项目和实体的特征输入到多任务学习模块中的推荐任务和KGE任务中；多任务学习模块包括邻域聚合、推荐任务和KGE任务，两个任务通过线性共享单元连接。本发明专利技术通过学习知识图谱中的高阶邻域信息来丰富任务之间的共享信息，通过线性共享单元来学习项目和实体特征之间的动态组合关系，以更细粒度地学习任务之间的共同特征，从而获得更加准确的共同特征表示。

【技术实现步骤摘要】

本专利技术涉及推荐领域，特别涉及基于知识图谱的个性化多任务增强推荐模型。

技术介绍

1、推荐系统是根据用户历史行为数据，从互联网大量数据中发现潜在的有用信息。目前比较流行的推荐方法之一是基于协同过滤的推荐，例如广泛使用的libfm(gao m,li jy,chen c h,et al.enhanced multi-task learning and knowledge graph-basedrecommender system[j].ieee transactions on knowledge and data engineering,2023：1-14.)，但这类方法主要面临着数据稀疏和冷启动等问题。为了缓解这些问题，研究者们通过引入各类信息作为辅助数据进一步提高推荐性能，比如视频、图像、上下文信息、社交网络以及知识图谱等。其中知识图谱的引入可以提高推荐系统的准确性、多样性和可解释性(如wang q,mao z,wang b,et al.knowledge graph embedding:a survey ofapproaches and applica本文档来自技高网...

【技术保护点】

1.基于知识图谱的个性化多任务增强推荐模型，其特征在于：包括：线性共享单元和多任务学习模块；

2.如权利要求1所述的基于知识图谱的个性化多任务增强推荐模型，其特征在于：

3.如权利要求2所述的基于知识图谱的个性化多任务增强推荐模型，其特征在于：

4.如权利要求1所述的基于知识图谱的个性化多任务增强推荐模型，其特征在于：

5.如权利要求4所述的基于知识图谱的个性化多任务增强推荐模型，其特征在于：对于头实体h，是其嵌入向量，是其初始特征向量，使用当前实体的特征和聚合特征来更新实体的特征向量，经k(>0)层邻域聚合处理后，得到头实体h的聚合...

【技术特征摘要】

1.基于知识图谱的个性化多任务增强推荐模型，其特征在于：包括：线性共享单元和多任务学习模块；

2.如权利要求1所述的基于知识图谱的个性化多任务增强推荐模型，其特征在于：

3.如权利要求2所述的基于知识图谱的个性化多任务增强推荐模型，其特征在于：

4.如权利要求1所述的基于知识图谱的个性化多任务增强推荐模型，其特征在于：

5.如权利要求4所述的基于知识图谱的个性化多任务增强推荐模型，其特征在于：对于头实体h，是其嵌入向量，是其初始特征向量，使用当前实体的特征和聚合特征来更新实体的特征向量，经k(>0)层邻域聚合处理后，得到头实体h的聚合特征向量

6.如权利要求5所述的基于知识图谱的个性化多任务增强推荐模型，其特征在于：聚合实体的邻域...

【专利技术属性】
技术研发人员：郭良敏，刘婷婷，罗永龙，孙丽萍，郑孝遥，江蓉，赵誉，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：