[發明專利]一種基于知識圖譜的內容推薦方法和系統

在審

• 申請號: 201910635055.2
• 申請日: 2019-07-15
• 公開（公告）號: CN112231547A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 曹秀亭
• 申請（專利權）人: 普天信息技術有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/36;G06N3/04;G06N3/08
• 代理公司: 北京德琦知識產權代理有限公司 11018
• 代理人: 蔣歡;王琦

1.一種基于知識圖譜的內容推薦方法，其特征在于，包括：

獲取用戶在一段設定時間內點擊過的歷史內容，并確定與所述歷史內容相似的若干候選內容；

對于所述歷史內容和所述候選內容，分別使用融合了知識的卷積神經網絡KCNN將其語義表示與知識表示進行融合，得到各個內容對應的KCNN映射結果；

根據所述歷史內容和所述候選內容的KCNN映射結果，通過注意力Attention機制確定各個候選內容的得分，所述候選內容的得分表示所述候選內容被所述用戶點擊的概率；

將得分最高的N個候選內容推薦給所述用戶，其中，N≥1。

2.根據權利要求1所述的方法，其特性在于，所述使用KCNN將其語義表示與知識表示進行融合，具體包括：

對于每一個待處理的內容，將所述內容中的詞和知識圖譜中的實體進行實體鏈接；

在所述知識圖譜中為每個所述實體向量進行上下文向量映射；

對所述內容的詞表示和知識表示進行融合，得到所述內容的融合了知識的向量表示；

將所述融合了知識的向量表示傳入卷積神經網絡CNN中進行處理，得到所述內容的KCNN映射結果。

3.根據權利要求2所述的方法，其特征在于，所述將所述內容中的詞和知識圖譜中的實體進行實體鏈接，具體包括：

將所述內容標題中的每一個詞映射為對應的詞向量；

將所述詞向量和知識圖譜中的實體向量一一對應，如果所述詞向量在所述知識圖譜中沒有與之對應的實體，則用0向量填充。

4.根據權利要求3所述的方法，其特征在于，所述內容的融合了知識的向量表示為以下矩陣：

W＝[w1g(e1)g(ē1)][w2g(e2)g(ē2)]...[wng(en)g(ēn)]

g(e)＝tanh(Me+b)

其中，wi是詞向量，ei是實體向量，ēi是上下文向量，i∈[1,n]；

g(e)是一種非線性轉換函數，用于將知識圖譜的中的實體向量和上下文向量轉化為詞向量的格式；

ēi采取與對應實體相鄰的向量均值。

5.根據權利要求2至4任一項所述的方法，其特征在于：

在所述CNN中進行處理時，從所述特征值中取最高的K個特征值，并保留特征值的先后順序，其中，K≥2。

6.根據權利要求1至4任一項所述的方法，其特征在于，所述根據所述歷史內容和所述候選內容的KCNN映射結果，通過注意力Attention機制確定各個候選內容的得分，具體包括：

以一個歷史內容與一個候選內容的KCNN映射結果作為輸入；

將所述兩個KCNN映射結果進行全連接，然后使用深度神經網絡作為Attention網絡對所述全連接的結果進行處理，并對所述處理的結果進行規格化；

將所述規格化的結果輸出為所述一個歷史內容對所述一個候選內容點擊率的影響權重；

對于各個候選內容，將每一個歷史內容的KCNN映射結果和該歷史內容對所述候選內容的點擊率的影響權重進行加權平均，將所述加權平均的結果作為所述候選內容的得分。

7.根據權利要求6所述的方法，其特征在于：

用softmax函數進行所述規格化，公式為：

上述公式表示歷史內容tⁱ_k對候選內容t_j的點擊率的影響權重，其中：

tⁱ_k是編號為k的歷史內容，t_j是編號為j的候選內容，H是深度神經網絡。