【技术实现步骤摘要】
本专利技术涉及推荐系统和机器学习，尤其涉及一种基于知识图谱的可解释推荐方法。
技术介绍
1、在信息爆炸的时代，推荐系统在各种在线服务中起着至关重要的作用。他们的目标是解决信息超载的问题，并向用户推荐符合他们兴趣的商品。传统的方法可以分为基于内容的方法(cb)、基于协同过滤(cf)的方法和混合方法三类。cf的基本理念是，品味相似的顾客对相同的物品有着相似的评级分布。随着机器学习的发展，许多深度模型已经被用于推荐系统(rss)来克服一些传统的障碍。基于深度学习的模型能够为用户-产品交互建模，同时捕获非线性和不普通的关系。
2、目前的基于知识图谱的推荐算法大致可以分为两类。一种是基于元路径的方法，它从知识图谱中细化了用户和产品之间的一些元路径，以计算用户喜欢该产品的概率。另一种是基于知识图谱嵌入的方法，它根据知识图谱嵌入技术学习特征向量来描述实体。这些基于知识图谱的模型工作得很好，但它们只使用交互信息，而且大多数缺乏推理和可解释性。
3、因此，亟需一种基于知识图谱的可解释推荐方法。
技术实现思路
1、本专利技术的目的是提供一种基于知识图谱的可解释推荐方法，以解决上述现有技术中的问题，能够提高推荐过程中的推理和解释的能力。
2、本专利技术提供了一种基于知识图谱的可解释推荐方法，其中，包括：
3、基于用户、产品、扩展实体和扩展关系构建富语义知识图谱；
4、对所述富语义知识图谱中用户到产品的路径进行挖掘，以得到推荐规则；
6、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述基于用户、产品、扩展实体和扩展关系构建富语义知识图谱，具体包括：
7、构建基础知识图谱；
8、对所述基础知识图谱中的实体类型和关系类型进行扩展，以得到扩展实体类型和扩展关系类型，其中，所述扩展实体类型包括产品类型、产品品牌和产品特征中的至少一种，所述扩展关系类型包括也买了、属于类型、属于品牌、具有、类似、喜欢和朋友中的至少一种；
9、根据所述扩展实体类型和所述扩展关系类型，对所述基础知识图谱进行扩展，以得到扩展的富语义知识图谱。
10、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述构建基础知识图谱，具体包括：
11、根据实体集合和关系集合构建基础知识图谱g＝{(eh,r,et)|eh,et∈e,r∈r}，
12、其中，e表示实体集合，包含用户和产品两类实体，r表示关系集合，包含购买关系，每个三元组(eh,r,et)表示实体eh和实体et之间存在关系r，
13、所述根据所述扩展实体类型和所述扩展关系类型，对所述基础知识图谱进行扩展，以得到扩展的富语义知识图谱，具体包括：
14、根据用户和产品两类实体节点，对所述基础知识图谱中的用户集合u和产品集合i，以及所有的扩展实体集合xe和扩展关系集合xr进行合并，得到扩展的富语义知识图谱gx。
15、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述对所述富语义知识图谱中用户到产品的路径进行挖掘，以得到推荐规则，具体包括：
16、将所述富语义知识图谱中用户u到产品i的路径定义为一个实体和关系的序列其中e1＝u，ek＝i，(ex-1,ex-1,ex)∈g，(ex,ex-1,ex-1)∈g，g表示基础知识图谱；
17、基于所述富语义知识图谱中用户u到产品i的路径，提取推荐规则。
18、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述基于所述富语义知识图谱中用户u到产品i的路径，提取推荐规则，具体包括：
19、给定任意用户-产品对，提取从用户u到产品i的所有路径；
20、对从所有用户-产品对中提取的路径进行合并操作，合并后的路径称为推荐规则，其中，所述推荐规则可表示成一个关系类型的序列li＝r1r2…rk，所有推荐规则构成推荐规则集合l；
21、对所述推荐规则集合l进行嵌入。
22、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，在所述合并操作中，若两条路径pi和pj同时满足以下条件，则进行合并：路径pi和路径pj的长度一致；在每个位置k上，路径pi对应的关系和路径pj对应的关系属于同一关系类型，
23、所述对所述推荐规则集合l进行嵌入，具体包括：
24、基于所述推荐规则集合l，构建推荐规则图lg＝(ln,le)，其中，ln表示推荐规则节点集合，每个节点lni表示一个关系类型，le表示推荐规则关系集合，若某条推荐规则中关系类型lni和lnj在序列中相邻，则节点lni和lnj在lg中有一条边eij；
25、采用图卷积网络对所述推荐规则图lg进行处理，得到所有关系类型节点的表征向量，记关系类型rk的表征向量为rek；
26、针对一个推荐规则li＝r1r2…rk，其表征向量为lek＝re1+re2+…+rek。
27、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述基于注意力机制对用户、产品和所述推荐规则之间的交互进行学习，以在作出推荐的同时，计算影响力最大的推荐规则作为推荐解释，具体包括：
28、产品嵌入向量学习，以生成产品嵌入向量；
29、用户嵌入向量学习，以生成用户嵌入向量；
30、对所述推荐规则进行注意力加权，以得到推荐规则子集的表征向量；
31、对推荐规则、用户和产品进行嵌入融合，以得到聚合嵌入向量；
32、根据所述聚合嵌入向量，得到针对用户u的产品预测结果；
33、对产品预测结果进行解释。
34、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述产品嵌入向量学习，以生成产品嵌入向量，具体包括：
35、给定一个产品，将其属性数据输入一个多层感知机，生成产品嵌入向量，
36、所述用户嵌入向量学习，以生成用户嵌入向量，具体包括：
37、将用户购买的产品序列输入transformer模型以生成用户嵌入向量，
38、所述对所述推荐规则进行注意力加权，以得到推荐规则子集的表征向量，具体包括：
39、抽取从用户u到产品i的所有推荐规则，形成推荐规则子集sl；
40、通过以下公式计算推荐规则子集sl中每个推荐规则的权重
41、
42、其中，表示推荐规则子集sl的第n条推荐规则，的嵌入向量为cwn表示可训练的参数矩阵，和cbn为可训练的参数向量；
43、通过以下公式对推荐规则子集sl中每个推荐规则嵌入向量进行注意力加权求平均，得到推荐规则子集sl的表征向量rui：
44、
45、其中，n表示推荐规则子集s本文档来自技高网...
【技术保护点】
1.一种基于知识图谱的可解释推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于知识图谱的可解释推荐方法，其特征在于，所述基于用户、产品、扩展实体和扩展关系构建富语义知识图谱，具体包括：
3.根据权利要求2所述的基于知识图谱的可解释推荐方法，其特征在于，所述构建基础知识图谱，具体包括：
4.根据权利要求1所述的基于知识图谱的可解释推荐方法，其特征在于，所述对所述富语义知识图谱中用户到产品的路径进行挖掘，以得到推荐规则，具体包括：
5.根据权利要求4所述的基于知识图谱的可解释推荐方法，其特征在于，所述基于所述富语义知识图谱中用户u到产品i的路径，提取推荐规则，具体包括：
6.根据权利要求5所述的基于知识图谱的可解释推荐方法，其特征在于，在所述合并操作中，若两条路径pi和pj同时满足以下条件，则进行合并：路径pi和路径pj的长度一致；在每个位置k上，路径pi对应的关系和路径pj对应的关系属于同一关系类型，
7.根据权利要求1所述的基于知识图谱的可解释推荐方法，其特征在于，所述基于注意力机制对用户、产品和所述
8.根据权利要求7所述的基于知识图谱的可解释推荐方法，其特征在于，所述产品嵌入向量学习，以生成产品嵌入向量，具体包括：
9.根据权利要求8所述的基于知识图谱的可解释推荐方法，其特征在于，所述对推荐规则、用户和产品进行嵌入融合，以得到聚合嵌入向量，具体包括：
10.根据权利要求9所述的基于知识图谱的可解释推荐方法，其特征在于，所述根据所述聚合嵌入向量，得到针对用户u的产品预测结果，具体包括：
...【技术特征摘要】
1.一种基于知识图谱的可解释推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于知识图谱的可解释推荐方法，其特征在于，所述基于用户、产品、扩展实体和扩展关系构建富语义知识图谱，具体包括：
3.根据权利要求2所述的基于知识图谱的可解释推荐方法，其特征在于，所述构建基础知识图谱，具体包括：
4.根据权利要求1所述的基于知识图谱的可解释推荐方法，其特征在于，所述对所述富语义知识图谱中用户到产品的路径进行挖掘，以得到推荐规则，具体包括：
5.根据权利要求4所述的基于知识图谱的可解释推荐方法，其特征在于，所述基于所述富语义知识图谱中用户u到产品i的路径，提取推荐规则，具体包括：
6.根据权利要求5所述的基于知识图谱的可解释推荐方法，其特征在于，在所述合并操作中，若两条路径pi和pj同时满足以下条...
【专利技术属性】
技术研发人员：金泳，高扬华，单宇翔，
申请(专利权)人：浙江中烟工业有限责任公司，
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。