[發明專利]基于知識圖譜與循環神經網絡的推薦模型

有效

• 申請號: 201910562890.8
• 申請日: 2019-06-26
• 公開（公告）號: CN110275964B
• 公開（公告）日: 2023-07-14
• 發明（設計）人: 程淑玉;黃淑樺
• 申請（專利權）人: 程淑玉
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/9535;G06F16/9536;G06N3/084
• 代理公司: 蚌埠鼎力專利商標事務所有限公司 34102
• 代理人: 王琪

本發明公開了一種基于知識圖譜與循環神經網絡的推薦模型，包括有知識圖譜特征學習模塊、擴散偏好集和循環神經網絡推薦模塊；知識圖譜特征學習模塊為知識圖譜中的每個實體和關系學習得到一個低維向量，擴散偏好集包括有h+1層擴散偏好集h為擴散層數，每層相鄰的擴散偏好集之間通過知識圖譜連接，循環神經網絡推薦模塊對用戶擴散偏好集進行學習，獲取包含更多有用信息的更深層次的用戶偏好表示，用于后續預測用戶喜歡某個物品的概率。本發明利用知識圖譜以及偏好擴散思想獲取用戶的擴散偏好集，將擴散偏好集作為循環神經網絡的輸入，以學習到更深層次的用戶偏好特征表示，用于后續預測用戶喜歡某個物品的概率。

技術領域

本發明涉及大數據推薦模型領域，具體是一種基于知識圖譜與循環神經網絡的推薦模型。

背景技術

推薦系統能夠根據用戶的屬性檔案和歷史行為記錄，學習用戶的興趣偏好，并從海量的內容中篩選出用戶可能感興趣的部分推薦給用戶，解決了大數據時代下的信息過載問題，提高了用戶體驗，被大量應用在新聞、電影、書籍等在線內容和服務平臺。協同過濾推薦是目前應用最廣泛的推薦方法，它以用戶對物品的偏好為基礎，發現物品本身的相關性，為用戶推薦具有相關性的物品；或者發現用戶的相關性，然后將該用戶偏好的物品推薦給其他具有相關性的用戶。由于協同過濾推薦依賴用戶的歷史偏好數據，且偏好數據十分稀疏，從而降低了推薦的精確度。同時，新用戶和新物品還將面臨冷啟動問題。

為了解決這些問題，研究者們嘗試將額外的輔助信息引入推薦算法中，來豐富用戶、物品或者信息的描述，從而彌補用戶的歷史偏好數據集的稀疏或缺失。常用的輔助信息包括：社交網絡、用戶/物品屬性、圖像/文本等多媒體信息、上下文信息、知識圖譜等。

知識圖譜是近年來新興的一種輔助信息，其基本結構是一種有向異構圖。知識圖譜是Google于2012年5月17日正式提出的，是一種揭示實體之間關系的異構語義網絡，可以對現實世界的事物及其相互關系進行形式化的描述。知識圖譜中，節點E＝{e₁,e₂,e₃,...,e_|E|}代表實體或者概念，邊R＝{r₁,r₂,r₃,...,r_|R|}代表實體/概念之間的各種語義關系。一個三元組(h,r,t)表示一條知識，兩個實體間存在著某種關系，其中h表示知識的頭節點，t表示尾節點。若干三元組的集合構成一個知識圖譜。知識圖譜特征學習(KGE)是網絡特征學習的一個子領域，它為知識圖譜中的每個實體和關系學習得到一個低維向量，降低知識圖譜的高維性和異構性，同時保持圖中原有的結構或語義信息。一般而言，KGE的模型[12]分為兩類:(1)、基于語義的匹配模型：這類模型使用基于相似度的評分函數評估三元組的置信度，將實體和關系映射到語義空間中進行相似度度量。典型代表有ANALOGY[14]、ComplEx[15]、DisMult[16]等；(2)、基于距離的翻譯模型：這類模型的核心思想是將實體和關系投影到同一空間下，然后使用基于距離的評分函數評估三元組的置信度，將關系視為從頭節點實體到尾節點實體的翻譯。典型代表有TransE、TransH、TransD、TransR等。