【技术实现步骤摘要】
本专利技术涉及项目推荐，尤其涉及一种基于知识感知对比去噪模型的推荐方法及系统。
技术介绍
1、现在网上购物已经融入到人们的日常生活中，作为购物平台，需要知道用户的购买需求，以便于向用户推荐其感兴趣的商品，从而提高交易的成功率。将知识图谱作为附加信息融入推荐系统已经成为一种趋势。目前的研究将项目视为知识图谱中的实体，并利用神经网络来辅助项目编码，以此来理解事实和项目之间的内在语义相关性。然而，这种方式存在两个问题：(1)现实世界中知识图谱通常包含丰富的语义信息，但是在特定场景下有些语义信息是与主题无关的；(2)知识图谱中有很多类关系，但有一些关系涉及的实体较少。
2、因此，现有技术的不足之处在于：
3、(1)基于传播的方法直接将知识图谱中的各种信息整合到项目表示中，这样无法因不同实体做出的不同贡献有不同的表示；
4、(2)现有技术忽略了交互中的噪声，直接聚合了所有邻居用户/物品的信息，这将使模型难以区分噪声和用户的真实偏好，因而推荐的准确度不高。
技术实现思路
1、本专利技术通过提供一种基于知识感知对比去噪模型的推荐方法及系统，实现了提高项目推荐的准确度的技术效果。
2、本专利技术提供一种基于知识感知对比去噪模型的项目推荐方法，包括：
3、通过公式计算得到项目i的知识增强向量其中，是输入到知识感知对比去噪模型的权重参数，是输入到所述知识感知对比去噪模型初始的关系id嵌入向量，是输入到所述知识感知对比去噪模型初始的尾实体id嵌
4、通过公式计算得到用户u和项目i之间的协作相似性；其中，p(·)表示估计相似度的内积，是用户u的邻居集合中的协作项目向量；是初始化的协作用户意图向量，是初始化的协作项目向量；
5、通过公式计算得到用户u和项目i之间的知识相似性；其中，是项目i的关系集合，是用户u邻居集合中项目的关系集合，er表示关系嵌入，是用户u的初始向量，是用户u的邻居集合中的项目知识增强向量；
6、通过公式计算得到去噪的判定数值du，i；其中，β是预定义的阈值超参数，σ(·)是sigmoid激活函数，是一个二元指示函数，如果条件为真，则返回1，否则返回0；
7、通过公式计算得到用户u的意图知识增强向量其中，用于表示用户-项目图中用户u的邻居集合；
8、通过公式和计算得到n次迭代增强后的用户意图知识增强向量其中，是用户u和项目i之间增强后的知识相似性，是n-1次迭代时的用户意图知识增强向量，第1次迭代时的用户意图知识增强向量为
9、通过公式和计算得到n次迭代增强后的协作用户向量其中，是用户u和项目i之间增强后的协作相似性，是n一1次迭代时的协作用户向量；
10、通过公式计算得到n次迭代增强后的项目知识增强向量其中，是n-1次迭代时的关系id嵌入向量，是n-1次迭代时的尾实体id嵌入向量；
11、通过公式计算得到n次迭代增强后的协作项目向量其中，⊙是点积运算；
12、通过公式计算得到最终的用户意图知识增强向量其中，l是所述知识感知对比去噪模型的网络层的数量；是l层迭代后得到的
13、通过公式计算得到最终的项目知识增强向量其中，是l层迭代后得到的
14、通过公式计算得到最终的协作用户向量其中，是l层迭代后得到的
15、通过公式计算得到最终的协作项目向量其中，是l层迭代后得到的
16、通过公式计算得到所述知识感知对比去噪模型输出的推荐得分
17、具体来说，所述的计算公式是其中，qi是项目i所有关系向量的平均值，是项目的关系嵌入向量，gatt(·)是所述知识感知对比去噪模型中用于计算项目对应关系重要程度的全连接层。
18、具体来说，所述qi的计算公式是
19、具体来说，还包括：采用反向传播算法和随机梯度下降方法，根据前向传播的loss值的大小，来进行反向传播迭代更新所述知识感知对比去噪模型的每一层的权重，直到所述知识感知对比去噪模型的loss值趋向于收敛时，停止所述模型的训练；所述loss值的计算公式是其中，o是交互数据，o-是通过从未观察到的项目中进行随机抽样获得的负项目集，max(0，·)是斜坡函数，γ是边界。
20、本专利技术还提供了一种基于知识感知对比去噪模型的推荐系统，包括：
21、项目知识增强向量获取模块，用于通过公式计算得到项目i的知识增强向量其中，是输入到知识感知对比去噪模型的权重参数，是输入到所述知识感知对比去噪模型初始的关系id嵌入向量，是输入到所述知识感知对比去噪模型初始的尾实体id嵌入向量，|ni|是项目i关系的数量，tanh(·)是激活函数，g(·)是所述知识感知对比去噪模型中用于整合项目特征的全连接层；
22、协作相似性获取模块，用于通过公式计算得到用户u和项目i之间的协作相似性；其中，p(·)表示估计相似度的内积，是用户u的邻居集合中的协作项目向量；是初始化的协作用户意图向量，是初始化的协作项目向量；
23、知识相似性获取模块，用于通过公式计算得到用户u和项目i之间的知识相似性；其中，是项目i的关系集合，是用户u邻居集合中项目的关系集合，er表示关系嵌入，是用户u的初始向量，是用户u的邻居集合中的项目知识增强向量；
24、判定数值获取模块，用于通过公式计算得到去噪的判定数值du，i；其中，β是预定义的阈值超参数，σ(·)是sigmoid激活函数，是一个二元指示函数，如果条件为真，则返回1，否则返回0；
25、用户意图知识增强向量获取模块，用于通过公式计算得到用户u的意图知识增强向量其中，用于表示用户-项目图中用户u的邻居集合；
26、迭代增强后的用户意图知识增强向量获取模块，用于通过公式和计算得到n次迭代增强后的用户意图知识增强向量其中，是用户u和项目i之间增强后的知识相似性，是n-1次迭代时的用户意图知识增强向量，第1次迭代时的用户意图知识增强向量为
27、迭代增强后的协作用户向量获取模块，用于通过公式和计算得到n次迭代增强后的协作用户向量其中，是用户u和项目i之间增强后的协作相似性，是n-1次迭代时的协作用户向量；
28、迭代增强后的项目知识增强向量获取模块，用于通过公式计算得到n次迭代增强后的项目知识增强向量其中，是n-1次迭代时的关系id嵌入向量，是n-1次迭代时的尾实体id嵌入向量；
29、迭代增强后的协作项目向量获取模块，用于通过公式计算得到n次迭代增强后的协作项目向量其中，⊙是点积运算；
30、最终用户意图知识增强向量获取模块，用于通过公式计算得到最终的用户意图知识增强向量其中，l是所述知识感知对比去噪模型的网络层的数量；是l层迭代后得到的
31、最终项目知识增强向量获取模块，用于通过公本文档来自技高网...
【技术保护点】
1.一种基于知识感知对比去噪模型的推荐方法，其特征在于，包括：
2.如权利要求1所述的基于知识感知对比去噪模型的推荐方法，其特征在于，所述的计算公式是其中，qi是项目i所有关系向量的平均值，是项目的关系嵌入向量，gatt(·)是所述知识感知对比去噪模型中用于计算项目对应关系重要程度的全连接层。
3.如权利要求2所述的基于知识感知对比去噪模型的推荐方法，其特征在于，所述qi的计算公式是
4.如权利要求1-3中任一项所述的基于知识感知对比去噪模型的推荐方法，其特征在于，还包括：采用反向传播算法和随机梯度下降方法，根据前向传播的loss值的大小，来进行反向传播迭代更新所述知识感知对比去噪模型的每一层的权重，直到所述知识感知对比去噪模型的loss值趋向于收敛时，停止所述模型的训练；所述loss值的计算公式是其中，O是交互数据，O-是通过从未观察到的项目中进行随机抽样获得的负项目集，max(0，·)是斜坡函数，γ是边界。
5.一种基于知识感知对比去噪模型的推荐系统，其特征在于，包括：
6.如权利要求5所述的基于知识感知对比去噪模型
7.如权利要求6所述的基于知识感知对比去噪模型的推荐系统，其特征在于，还包括：关系向量平均值计算单元，用于通过公式计算得到所述项目i所有关系向量的平均值qi。
8.如权利要求5-7中任一项所述的基于知识感知对比去噪模型的推荐系统，其特征在于，还包括：模型训练模块，用于采用反向传播算法和随机梯度下降方法，根据前向传播的loss值的大小，来进行反向传播迭代更新所述知识感知对比去噪模型的每一层的权重，直到所述知识感知对比去噪模型的loss值趋向于收敛时，停止所述模型的训练；所述loss值的计算公式是其中，O是交互数据，O-是通过从未观察到的项目中进行随机抽样获得的负项目集，max(0，·)是斜坡函数，γ是边界。
...【技术特征摘要】
1.一种基于知识感知对比去噪模型的推荐方法，其特征在于，包括：
2.如权利要求1所述的基于知识感知对比去噪模型的推荐方法，其特征在于，所述的计算公式是其中，qi是项目i所有关系向量的平均值，是项目的关系嵌入向量，gatt(·)是所述知识感知对比去噪模型中用于计算项目对应关系重要程度的全连接层。
3.如权利要求2所述的基于知识感知对比去噪模型的推荐方法，其特征在于，所述qi的计算公式是
4.如权利要求1-3中任一项所述的基于知识感知对比去噪模型的推荐方法，其特征在于，还包括：采用反向传播算法和随机梯度下降方法，根据前向传播的loss值的大小，来进行反向传播迭代更新所述知识感知对比去噪模型的每一层的权重，直到所述知识感知对比去噪模型的loss值趋向于收敛时，停止所述模型的训练；所述loss值的计算公式是其中，o是交互数据，o-是通过从未观察到的项目中进行随机抽样获得的负项目集，max(0，·)是斜坡函数，γ是边界。
5.一种基于知识感知对比去噪模型的推荐系统，其特征在于，包括：
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。