[發明專利]基于知識圖譜的推薦方法、裝置、設備及計算機可讀介質

在審

• 申請號: 202010878404.6
• 申請日: 2020-08-27
• 公開（公告）號: CN112100513A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 張茂洪
• 申請（專利權）人: 北京明略昭輝科技有限公司
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F40/295;G06Q50/00
• 代理公司: 北京華夏泰和知識產權代理有限公司 11662
• 代理人: 曾軍;王衛忠

本申請涉及一種基于知識圖譜的推薦方法、裝置、設備及計算機可讀介質。該方法包括：獲取目標對象的歷史行為數據，歷史行為數據是目標對象在互聯網平臺上的操作生成的；利用歷史行為數據生成目標數據集，目標數據集中的數據用于指示實體以及實體之間的關聯關系，實體為多個平臺采集得到的；以目標數據集為樣本數據，根據實體和關聯關系構建知識圖譜；向目標對象推薦利用所述知識圖譜確定的目標產品。本申請解決了推薦結果不準確，可解釋性不強的問題。

技術領域

本申請涉及知識圖譜技術領域，尤其涉及一種基于知識圖譜的推薦方法、裝置、設備及計算機可讀介質。

背景技術

隨著信息爆炸的信息時代來臨，人們面對的信息量呈指數級增長。對于電商、社交平臺、視頻媒體等個性化內容推薦展示平臺，如何從海量信息中準確的挑選出對用戶有價值、用戶感興趣的信息成了一個至關重要的問題。因此，構建高效的推薦系統，成了現代互聯網應用場景中不可或缺的一部分。

知識圖譜可以用來表示實體之間的關系，如推薦系統中物品與物品、用戶與物品、用戶與用戶之間的關系。用知識圖譜構建用戶與物品、物品與物品之間的信息可以作為一個外部知識，將這些外部知識引入推薦系統中可以部分解決推薦系統面臨的數據稀疏和冷啟動等問題。

目前，相關技術中，推薦系統主要包括基于協同過濾的推薦系統、基于內容的推薦系統、混合推薦系統等。基于協同過濾的推薦系統使用的協同過濾算法是從相似度度量出發，考慮物品或者用戶之間的相似度進行推薦。基于內容的推薦系統則需要建模用戶偏好和物品的特征，相比于協同過濾，基于內容的推薦模型在推薦時會考慮物品的特征。基于協同過濾的方法容易遇到冷啟動或者數據稀疏的問題，基于內容的推薦方法需要透徹的內容分析，要求特征內容有良好的結構性，存在用戶冷啟動問題，由于只是推薦內容相似的商品，不能給用戶帶來驚喜。而混合推薦按系統可以利用基于內容的推薦系統中的用戶與物品信息來緩解協同過濾算法的這一問題。然而相關技術仍然存在冷啟動情況下推薦結果不準確、可解釋性不強的技術問題。

針對上述的問題，目前尚未提出有效的解決方案。

發明內容

本申請提供了一種基于知識圖譜的推薦方法、裝置、設備及計算機可讀介質，以解決上述“推薦結果不準確”的技術問題。

根據本申請實施例的一個方面，本申請提供了一種基于知識圖譜的推薦方法，包括：獲取目標對象的歷史行為數據，歷史行為數據是目標對象在互聯網平臺上的操作生成的；利用歷史行為數據生成目標數據集，目標數據集中的數據用于指示實體以及實體之間的關聯關系，實體為多個平臺采集得到的；以目標數據集為樣本數據，根據實體和關聯關系構建知識圖譜；向目標對象推薦利用所述知識圖譜確定的目標產品。

可選地，向目標對象推薦利用知識圖譜確定的目標產品之前，該方法還包括按照如下方式確定目標產品：基于知識圖譜提取目標對象的偏好特征；將目標對象的偏好特征輸入雙向循環神經網絡模型，以確定偏好特征在知識圖譜中的多個傳播路徑；疊加各個傳播路徑，以確定傳播路徑上的各個節點；將最多路徑經過的節點作為目標節點；將目標節點對應的產品實體作為目標產品。

可選地，基于知識圖譜提取目標對象的偏好特征包括：將文本數據轉換為特征向量，目標數據集包括文本數據；對特征向量進行訓練，得到目標對象的第一偏好特征和第二偏好特征，第一偏好特征為與目標對象直接關聯的實體得到的，第二偏好特征為與目標對象間接關聯的實體得到的。

可選地，基于知識圖譜提取目標對象的偏好特征之前，該方法還包括按照如下方式對知識圖譜進行處理：對知識圖譜進行嵌入，得到向量數據；抽取向量數據中指示實體的多個第一向量；計算各個第一向量兩兩之間的余弦距離，得到第一向量之間的相似度；利用相似度確定實體之間的共同特征。