[發明專利]基于知識圖譜的智能供熱服務推薦方法

在審

• 申請號: 202010093815.4
• 申請日: 2020-02-14
• 公開（公告）號: CN111274413A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 王永利;陳振華;孫衛國;王遠;谷東先;楊苗;李璇;孫琦月;鄒孝旺
• 申請（專利權）人: 邁拓儀表股份有限公司;南京理工大學
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/9536;G06Q50/06
• 代理公司: 連云港聯創專利代理事務所(特殊普通合伙) 32330
• 代理人: 趙曉琴

1.基于知識圖譜的智能供熱服務推薦方法，其特征是包括以下步驟：

步驟1：通過動態映射矩陣嵌入構建知識圖譜嵌入模型，

步驟2：進行知識圖譜的對齊與融合，

步驟3：基于張量分解的跨域協同過濾服務推薦算法進行推薦，

步驟4：針對未知悉用水用熱的信息的用戶，采用跨領域推薦遷移學習方法。

2.根據權利要求1所述的基于知識圖譜的智能供熱服務推薦方法，其特征在于所述步驟1是基于TransD模型，通過動態映射矩陣嵌入構建知識圖譜嵌入模型，在TransD模型中，實體和關系均用兩個向量表示；用(h,r,t)表示一個三元組，其對應的向量有h,h_p,r,r_p,t,t_p，其中h,r,t用于表示實體h,t和關系r的含義,h_p,r_p,t_p稱為投影向量，用于動態構建投影矩陣；h_p,r,t_p∈Rⁿ嵌入到實體空間中，r,t_p∈R^m嵌入到關系空間中。實體空間的維數n和關系空間的維數m可以相同，也可以不同；

對于每一個三元組(h,r,t)，投影矩陣M_rh,M_rt∈R^m*n用于將實體嵌入向量h,t投影到關系空間中，實體嵌入向量h,t通過與投影矩陣M_rh,M_rt相乘得到其在關系空間中的投影，投影向量h_⊥和t_⊥通過關系嵌入向量r相關聯(h,r,t)∈S，構建評分函數為：

TransD模型的損失函數定義為

其中，b為偏置超參，[x]為合頁損失函數，S為知識圖譜中的三元組的集合，S′為負采樣集合。

3.根據權利要求1所述的基于知識圖譜的智能供熱服務推薦方法，其特征在于所述步驟2的知識圖譜的對齊與融合為在訓練好的TransD模型中，通過計算實體或關系之間的相似度尋找相互對齊的實體或關系，在此基礎上將對齊的實體和關系的內容進行融合。

4.根據權利要求1所述的基于知識圖譜的智能供熱服務推薦方法，其特征在于所述步驟3的基于張量分解的跨域協同過濾服務推薦算法進行推薦，其步驟如下：

(1)利用用戶畫像的多維特征及用戶對項目的標簽信息構建初始化張量；

(2)對張量進行model-n模展開，得到n個展開矩陣即張量因子；

(3)調用高階奇異值張量分解HOSVD算法，在n個張量因子上分別使用SVD，保留c個重要的奇異值特征；

(4)構建張量核，保留c個重要特征進行維度約減，即評分模式；

(5)通過遷移學習將源領域評分模式與張量因子適配到目標領域；

(6)利用遷移后的張量因子和張量核構建目標領域的估計張量；

(7)基于重構的張量對新的項目進行推薦。

5.根據權利要求4所述的基于知識圖譜的智能供熱服務推薦方法，其特征在于所述步驟(3)的其中高階奇異值張量分解HOSVD的算法步驟如下：

(1)初始化張量結構；

(2)張量展開，創建三個模式；

(3)三個因子上分別使用SVD，保留c個重要的奇異值特征；

(4)構建核張量用來降低維度；

(5)構建估計張量；

(6)基于重構的張量對新的項目進行推薦。

6.根據權利要求1所述的基于知識圖譜的智能供熱服務推薦方法，其特征在于所述步驟4針對未知悉用戶用水用熱信息的用戶的產品套餐、業務、服務的興趣與情感傾向的跨領域推薦問題，采用潛在因子模型；用戶偏好和項目屬性非常稀疏的情況下，可以使用潛在因子進行壓縮表示；遇到新的場景，之前的潛在因子依然可以使用；通過共享評分模式，即使用戶和項目不同，相近的領域會有相似的用戶偏好與流行度，可以將此評分模式作為連接兩個領域的橋梁，這樣知識的遷移可以不按照適應或聯合行為，在聯合推薦下，所有領域的數據需要整合到一起，聯合處理，即使用戶和項目在領域間沒有跨領域重疊。