【技术实现步骤摘要】
本专利技术属于知识图谱推荐，具体涉及一种基于双空间信息聚合的知识图谱推荐方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、随着信息技术和互联网的迅猛发展，推荐系统已成为帮助用户在庞大的信息海洋中发现感兴趣内容的重要工具。推荐系统的核心目标是根据用户的个性化需求，为其提供可能感兴趣的物品或服务。为了实现这一目标，推荐系统通过分析用户的历史行为、偏好以及物品的特性，建立用户画像和物品画像，从而能够更加准确地预测用户的兴趣。用户画像可以包括用户的年龄、性别、地理位置、购买记录等信息，物品画像可以包括物品的类别、属性、评价等信息。
3、协同过滤（cf）是该领域的主要范例之一，它假设具有相似交互的用户对物品具有相似的兴趣。cf已被证明在广泛的应用中是有效的，并推动了推荐系统领域的重大进步。近年来，随着神经网络对用户和项目的潜在嵌入的引入，协同过滤框架有了显著的改进，从而对传统的矩阵分解方法进行了有效的增强。此外，集成了变分自编码器、注意力机制和图神经网络的新模型进一步提高了推荐的性能。然而，用户-物品交互的稀疏性从根本上限制了性能改进的范围。为了解决这个问题，将知识图谱(kg)作为物品的丰富信息网络在协同过滤中获得了牵引力，从而引出了基于知识图谱增强的推荐。相比于传统的协同过滤推荐方法，知识图谱增强的推荐方法能够将领域知识和用户行为信息结合起来，提高推荐准确度。知识图谱可以将不同领域的知识进行整合和关联，从而更好地理解用户的兴趣和需求。
4、知
技术实现思路
1、本专利技术为了解决上述问题，提出了一种基于双空间信息聚合的知识图谱推荐方法及系统，本专利技术考虑到复杂的拓扑结构，将欧式空间建模与双曲空间建模相结合，能够提升推荐结果的准确性和快速性。
2、根据一些实施例，本专利技术采用如下技术方案：
3、一种基于双空间信息聚合的知识图谱推荐方法，包括以下步骤：
4、基于给定数据集，获取用户和物品的协同信息，以及知识信息；
5、根据用户和物品的表征，进行欧式空间和双曲空间的双空间多层次信息聚合，得到多层欧式空间向量和多层双曲空间向量；
6、基于多层欧式空间向量和多层双曲空间向量，进行跨空间对比学习，得到对比损失得分；
7、基于得到的用户和物品各自的向量，进行内积操作，得到预测损失得分；
8、基于所述对比损失得分和预测损失得分，构建混合损失，利用混合损失优化知识图谱推荐模型，实现联合优化；
9、利用联合优化后的知识图谱推荐模型进行知识图谱推荐。
10、作为可选择的实施方式，所述协同信息包括用户-物品的交互和点击历史；
11、所述知识信息包括同一领域下的知识图谱实体和关系。
12、作为可选择的实施方式，对协同信息进行编码转为数值类型，对编码后的数值进行嵌入向量，基于得到的每对用户和物品的嵌入向量，进行双空间多层次信息聚合。
13、作为可选择的实施方式，进行双空间多层次信息聚合的具体过程包括在传统欧式空间中，引入双重传播层，所述双重传播层包括两个嵌入传播层，一个用于二部图，另一个用于知识图，对于二部图，强调用户与物品之间的协同过滤信号；采用图卷积网络，递归地对多次迭代进行聚合。
14、作为可选择的实施方式，基于注意力机制的知识感知嵌入传播层，以利用知识图谱的结构和语义信息，利用注意力权重函数基于可学习图注意力机制对每个知识三元组进行加权，使用函数对三元组集合中的整个三元组的系数进行归一化，以获得不同相邻实体的个性化分数；
15、将两个传播层堆叠起来，并将各层的输出求和作为物品在欧几里德空间的表示。
16、作为进一步的实施方式，将协同过滤信号和知识图谱的语义信息融合在一起，进行线性结合，细化物品表示。
17、作为进一步的实施方式，使用poincaréball球原点的指数映射，将协同过滤信息映射到双曲空间，将欧式空间的表征在切点处通过指数映射到双曲空间中进行信息聚合。
18、作为可选择的实施方式，在跨空间对比学习中，欧式空间中的任何层是正样本，双曲空间中的相应层是正样本，两个空间中的其他所有层被视为负样本；
19、分别计算用户表征的跨空间对比损失和物品的跨空间对比损失；
20、结合两个跨空间对比损失得到最终的对比损失。
21、作为可选择的实施方式，将信息聚合过程中获得的多层嵌入向量通过拼接和求和的方式获得最终表示向量，并利用内积预测用户对物品点击的可能性。
22、一种基于双空间信息聚合的知识图谱推荐系统，包括：
23、数据获取模块，被配置为基于给定数据集，获取用户和物品的协同信息，以及知识信息；
24、双空间信息聚合模块，被配置为根据用户和物品的表征，进行欧式空间和双曲空间的双空间多层次信息聚合，得到多层欧式空间向量和多层双曲空间向量；
25、对比学习模块，被配置为基于多层欧式空间向量和多层双曲空间向量，进行跨空间对比学习，得到对比损失得分；
26、预测模块，被配置为基于得到的用户和物品各自的向量，进行内积操作，得到预测损失得分；
27、联合优化模块，被配置为基于所述对比损失得分和预测损失得分，构建混合损失，利用混合损失优化知识图谱推荐模型，实现联合优化；
28、推荐模块，被配置为利用联合优化后的知识图谱推荐模型进行知识图谱推荐。
29、与现有技术相比，本专利技术的有益效果为：
30、本专利技术以用户-物品交互数据为基础，将每个用户-物品对，本文档来自技高网...
【技术保护点】
1.一种基于双空间信息聚合的知识图谱推荐方法，其特征是，包括以下步骤：
2.如权利要求1所述的一种基于双空间信息聚合的知识图谱推荐方法，其特征是，所述协同信息包括用户-物品的交互和点击历史；
3.如权利要求1所述的一种基于双空间信息聚合的知识图谱推荐方法，其特征是，对协同信息进行编码转为数值类型，对编码后的数值进行嵌入向量，基于得到的每对用户和物品的嵌入向量，进行双空间多层次信息聚合。
4.如权利要求1所述的一种基于双空间信息聚合的知识图谱推荐方法，其特征是，进行双空间多层次信息聚合的具体过程包括在传统欧式空间中，引入双重传播层，所述双重传播层包括两个嵌入传播层，一个用于二部图，另一个用于知识图，对于二部图，强调用户与物品之间的协同过滤信号；采用图卷积网络，递归地对多次迭代进行聚合。
5.如权利要求1或4所述的一种基于双空间信息聚合的知识图谱推荐方法，其特征是，基于注意力机制的知识感知嵌入传播层，以利用知识图谱的结构和语义信息，利用注意力权重函数基于可学习图注意力机制对每个知识三元组进行加权，使用函数对三元组集合中的整个三元组的系数
6.如权利要求5所述的一种基于双空间信息聚合的知识图谱推荐方法，其特征是，将协同过滤信号和知识图谱的语义信息融合在一起，进行线性结合，细化物品表示。
7.如权利要求1或4或6所述的一种基于双空间信息聚合的知识图谱推荐方法，其特征是，使用Poincaréball球原点的指数映射，将协同过滤信息映射到双曲空间，将欧式空间的表征在切点处通过指数映射到双曲空间中进行信息聚合。
8.如权利要求1所述的一种基于双空间信息聚合的知识图谱推荐方法，其特征是，在跨空间对比学习中，欧式空间中的任何层是正样本，双曲空间中的相应层是正样本，两个空间中的其他所有层被视为负样本；
9.如权利要求1所述的一种基于双空间信息聚合的知识图谱推荐方法，其特征是，将信息聚合过程中获得的多层嵌入向量通过拼接和求和的方式获得最终表示向量，并利用内积预测用户对物品点击的可能性。
10.一种基于双空间信息聚合的知识图谱推荐系统，其特征是，包括：
...【技术特征摘要】
1.一种基于双空间信息聚合的知识图谱推荐方法，其特征是，包括以下步骤：
2.如权利要求1所述的一种基于双空间信息聚合的知识图谱推荐方法，其特征是，所述协同信息包括用户-物品的交互和点击历史；
3.如权利要求1所述的一种基于双空间信息聚合的知识图谱推荐方法，其特征是，对协同信息进行编码转为数值类型，对编码后的数值进行嵌入向量，基于得到的每对用户和物品的嵌入向量，进行双空间多层次信息聚合。
4.如权利要求1所述的一种基于双空间信息聚合的知识图谱推荐方法，其特征是，进行双空间多层次信息聚合的具体过程包括在传统欧式空间中，引入双重传播层，所述双重传播层包括两个嵌入传播层，一个用于二部图，另一个用于知识图，对于二部图，强调用户与物品之间的协同过滤信号；采用图卷积网络，递归地对多次迭代进行聚合。
5.如权利要求1或4所述的一种基于双空间信息聚合的知识图谱推荐方法，其特征是，基于注意力机制的知识感知嵌入传播层，以利用知识图谱的结构和语义信息，利用注意力权重函数基于可学习图注意力机制对每个知识三元组进行加权，使...
【专利技术属性】
技术研发人员：史玉良，张雷红，王继虎，王新军，陈志勇，李晖，
申请(专利权)人：山东大学，
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。