本申请涉及一种基于元学习和负采样的知识图谱推荐方法，该方法针对推荐系统的冷启动问题，在数据层面引入知识图谱作为辅助信息，利用其进行负采样，丰富原有数据信息，并构建基于知识图谱的基础网络模型；在模型训练过程中，添加一个元学习器，能够快速适应冷启动任务，提升模型的推荐性能；基于知识图谱的网络模型，利用负注意力机制对正样本进行去噪，进一步优化用户表示；并设计融合层对用户和项目的正负表示进行加权，获得最终表示，从而更有效地完成预测任务。
【技术实现步骤摘要】
本申请涉及推荐系统领域，具体地，涉及一种基于元学习和负采样的知识图谱推荐方法。
技术介绍
1、随着互联网和智能设备的发展普及，各个网站、应用程序和社交网络平台的信息数据大幅增长，面对大量数据，为了方便用户在过载信息中快速准确地选择个人感兴趣的内容，推荐系统应运而生。推荐系统能够从大量数据中进行信息过滤来缓解信息过载问题，它通过了解用户的喜好，根据用户对各种项目的偏好和评分，对信息进行优先级排序，有效的将相关信息传达给用户，从而准确识别用户需求，帮助用户快速准确地找到感兴趣的内容，为用户提供个性化推荐。尽管近年来已经开发了许多不同的推荐方法，但由于实际应用需求的不断增长，人们对该领域的兴趣仍然很高。目前引起研究人员关注的一个重要问题是推荐系统的冷启动问题，它描述的是推荐系统在与新用户互动或者添加新项目时，因为缺乏关于这些用户或项目的先验信息，而无法进行准确推荐的问题。为解决该问题，很多工作集中于在数据层面进行数据扩充，比如利用知识图谱作为辅助信息丰富用户和项目表示、利用伪标签丰富现有的用户项目交互数据等，但由于数据的可用性和质量或用户隐私等问题，数据扩充的方法存在很多局限性。所以除了在数据层面上进行数据扩充外，近年来元学习方法也从模型层面提供了解决冷启动问题的新思路，但这些模型仍有不足之处。
技术实现思路
1、为了克服现有技术中的至少一个不足，本申请提供一种基于元学习和负采样的知识图谱推荐方法。
2、第一方面，提供一种基于元学习和负采样的知识图谱推荐模型构建方法，包括：</p>3、构建正协同知识图和负协同知识图；正协同知识图和负协同知识图中均包括用户、项目和实体，在正协同知识图中，当用户与项目存在交互，用户与项目之间具有连接关系，在负协同知识图中，当用户与项目不存在交互，用户与项目之间具有连接关系；
4、建立知识图谱推荐模型，知识图谱推荐模型包括多个网络单元和预测层，每个网络单元包括依次连接的嵌入层、注意力机制聚合层和融合层；
5、嵌入层用于对正协同知识图进行特征提取，得到正实体和关系的表示，以及对负协同知识图进行特征提取，得到负实体和关系的表示；
6、注意力机制聚合层用于对正实体和关系的表示进行特征提取，得到正用户邻居表示、正项目邻居表示，以及对负实体和关系的表示进行特征提取，得到负用户邻居表示和负项目邻居表示；并分别与自身的节点特征表示进行聚合，得到正用户表示、正项目表示、负用户表示和负项目表示；
7、融合层用于融合正用户表示和负用户表示，得到用户表示，以及融合正项目表示和负项目表示，得到项目表示；
8、预测层用于对所有网络单元输出的用户表示进行级联形成用户表示向量，以及对所有网络单元输出的项目表示进行级联形成项目表示向量；并且对用户表示向量和项目表示向量进行内积运算，得到每个用户对每个项目的偏好得分；
9、将正协同知识图和负协同知识图输入到知识图谱推荐模型中，对模型进行训练，得到训练后的知识图谱推荐模型。
10、在一个实施例中，构建正协同知识图和负协同知识图，包括：
11、获取用户项目正交互二部图和知识图谱，组合用户项目正交互二部图和知识图谱，得到正协同知识图；
12、对知识图谱中的项目进行负采样，得到负采样数据；
13、基于负采样数据构建用户项目负交互二部图；
14、组合用户项目负交互二部图和知识图谱，得到负协同知识图。
15、在一个实施例中，对知识图谱中的项目进行负采样，得到负采样数据，包括：
16、针对任一用户，根据用户项目正交互二部图确定用户交互过的每个项目；
17、针对用户交互过的每个项目，确定每个项目的六阶邻居中包含的项目；
18、对除了确定的六阶邻居中包含的项目之外的项目进行负采样，得到初始采样数据；
19、计算初始采样数据中每个项目对应的流行度，选取流行度大于设定阈值的项目，进行二次采样，得到负采样数据。
20、在一个实施例中，注意力机制聚合层包括门控注意力模块、负注意力模块和聚合模块；
21、门控注意力模块用于对正实体和关系的表示进行特征提取，得到正项目邻居表示，以及对负实体和关系的表示进行特征提取，得到负项目邻居表示；
22、负注意力模块用于对正实体和关系的表示进行特征提取，得到正用户邻居表示，以及对负实体和关系的表示进行特征提取，得到负用户邻居表示；
23、聚合模块用于对正项目邻居表示与正项目节点的特征表示进行聚合，得到正项目表示；并对负项目邻居表示与负项目节点的特征表示进行聚合，得到负项目表示；并对正用户邻居表示与正用户节点的特征表示进行聚合，得到正用户表示；并对负用户邻居表示与负用户节点的特征表示进行聚合，得到负用户表示
24、在一个实施例中，门控注意力模块用于对正实体和关系的表示进行特征提取，得到正项目邻居表示，包括：
25、确定项目节点的用户邻居聚合表示
26、
27、
28、其中，为用户节点的特征表示，为用户项目三元组，i为项目节点，r为关系，u为用户节点，α(i，r，u)为注意力权重；wr为从实体空间投影到关系空间的投影矩阵，为项目节点的特征表示，为关系特征表示；
29、确定项目节点的实体邻居聚合表示
30、
31、
32、其中，为实体节点的特征表示，为项目实体三元组，i为项目节点，r为关系，h为实体节点，α(i，r，h)为注意力权重；wr为从实体空间投影到关系空间的投影矩阵，为项目节点的特征表示，为关系特征表示；
33、确定正项目邻居表示
34、
35、
36、其中，gi为门控信号，σ表示sigmoid函数，wu和wh为可学习参数。
37、在一个实施例中，负注意力模块用于对正实体和关系的表示进行特征提取，得到正用户邻居表示，包括：
38、确定正用户邻居表示
39、
40、
41、其中，为用户项目三元组，i为项目节点，r为关系，u为用户节点，α(u，r，i)是注意力权重，是项目节点的特征表示，为相似度函数，是用户节点的各个负交互项目节点的特征表示的平均值。
42、在一个实施例中，融合层用于融合正用户表示和负用户表示，得到用户表示，融合正项目表示和负项目表示，得到项目表示，包括：
43、用户表示eu：
44、
45、
46、
47、
48、其中，β+、β-均为权重参数，f为正用户表示和负用户表示的级联结果，为正用户表示，为负用户表示，均为可学习参数；
49、项目表示ei：
50、
51、其中，为正项目表示，为负项目表示。
52、在一个实施例中，将正协同知识图和负协同知识图输入到知本文档来自技高网
...
【技术保护点】
1.一种基于元学习和负采样的知识图谱推荐模型构建方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，其中，构建正协同知识图和负协同知识图，包括：
3.如权利要求2所述的方法，其特征在于，其中，对所述知识图谱中的项目进行负采样，得到负采样数据，包括：
4.如权利要求1所述的方法，其特征在于，所述注意力机制聚合层包括门控注意力模块、负注意力模块和聚合模块；
5.如权利要求4所述的方法，其特征在于，所述门控注意力模块用于对所述正实体和关系的表示进行特征提取，得到正项目邻居表示，包括：
6.如权利要求4所述的方法，其特征在于，所述负注意力模块用于对所述正实体和关系的表示进行特征提取，得到正用户邻居表示，包括：
7.如权利要求4所述的方法，其特征在于，所述融合层用于融合所述正用户表示和所述负用户表示，得到用户表示，融合所述正项目表示和所述负项目表示，得到项目表示，包括：
8.如权利要求1所述的方法，其特征在于，将所述正协同知识图和负协同知识图输入到所述知识图谱推荐模型中，对模型进行训练，得到训练后的知识图谱推荐模型，包括：
9.如权利要求8所述的方法，其特征在于，模型训练过程中，采用的损失函数L为：
10.一种基于元学习和负采样的知识图谱推荐模型构建装置，其特征在于，包括：
11.一种基于元学习和负采样的知识图谱推荐方法，其特征在于，包括：
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，以实现权利要求1-9任意一项所述的基于元学习和负采样的知识图谱推荐模型构建方法，或者权利要求11所述的基于元学习和负采样的知识图谱推荐方法。
...
【技术特征摘要】
1.一种基于元学习和负采样的知识图谱推荐模型构建方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，其中，构建正协同知识图和负协同知识图，包括：
3.如权利要求2所述的方法，其特征在于，其中，对所述知识图谱中的项目进行负采样，得到负采样数据，包括：
4.如权利要求1所述的方法，其特征在于，所述注意力机制聚合层包括门控注意力模块、负注意力模块和聚合模块；
5.如权利要求4所述的方法，其特征在于，所述门控注意力模块用于对所述正实体和关系的表示进行特征提取，得到正项目邻居表示，包括：
6.如权利要求4所述的方法，其特征在于，所述负注意力模块用于对所述正实体和关系的表示进行特征提取，得到正用户邻居表示，包括：
7.如权利要求4所述的方法，其特征在于，所述融合层用于融合所述正用户表示和所述...
【专利技术属性】
技术研发人员：荆小恬，刘再斌，李贵红，陈长远，杜文刚，刘强，
申请(专利权)人：西安煤科透明地质科技有限公司，
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。