[發明專利]基于深度學習與知識圖譜融合的在線推薦系統

在審

• 申請號: 202010979963.6
• 申請日: 2020-09-17
• 公開（公告）號: CN112100333A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 黃哲睿;余翠
• 申請（專利權）人: 上海銀行股份有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/36;G06F16/9535;G06Q30/06
• 代理公司: 上海翰信知識產權代理事務所(普通合伙) 31270
• 代理人: 張維東

1.一種基于深度學習與知識圖譜融合的在線推薦系統，其特征在于，包括：

知識圖譜構建模塊，配置為根據用戶實體、產品實體、渠道實體以及各實體之間的關聯關系構建知識圖譜；

模型建立模塊，配置為根據所述知識圖譜建立深度學習模型，所述深度學習模型包括深度學習單元和線性子模型；

推薦模塊，配置為根據所述用戶實體、所述產品實體和/或所述渠道實體采用所述深度學習模型進行預測得到推薦預測值，根據所述推薦預測值完成在線推薦；

數據傳輸模塊，配置為完成所述在線推薦系統中所有數據的傳輸；以及

客戶端，配置為使用戶和所述在線推薦系統進行交互。

2.如權利要求1所述的基于深度學習與知識圖譜融合的在線推薦系統，其特征在于，所述各實體之間的關聯關系包括：

用戶實體與產品實體之間的關聯關系、用戶實體與渠道實體之間的關聯關系、產品實體與渠道實體之間的關聯關系、不同用戶實體之間的關聯關系、不同產品實體之間的關聯關系以及不同渠道實體之間的關聯關系。

3.如權利要求1所述的基于深度學習與知識圖譜融合的在線推薦系統，其特征在于，

所述用戶實體包含用戶的基本信息和用戶標簽數據，所述用戶標簽數據包括用戶所處時期、用戶偏好以及社交網絡；

所述產品實體包含產品的基本信息和產品標簽數據，所述產品標簽數據包括產品風險等級、產品募集方式以及產品基金公司；

所述渠道實體包括線上交易和線下交易的渠道實體。

4.如權利要求1所述的基于深度學習與知識圖譜融合的在線推薦系統，其特征在于，建立深度學習模型的方式為：

分別提取所述知識圖譜中的連續特征和類別型特征；

將提取的特征進行組合；

對組合后的特征進行抽象處理和線性劃分，得到不同類型的數據；

對得到的不同類型的數據進行深度學習形成深度學習單元；

由深度學習單元和線性子模型的結果得到深度學習模型。

5.如權利要求4所述的基于深度學習與知識圖譜融合的在線推薦系統，其特征在于，

類別型特征包括高維稀疏特征和低維稠密特征。

6.如權利要求5所述的基于深度學習與知識圖譜融合的在線推薦系統，其特征在于，所述深度學習單元將提取的所述高維稀疏特征轉換為低維稠密特征，以增加用戶實體、產品實體以及渠道實體之間關聯關系。

7.如權利要求5所述的基于深度學習與知識圖譜融合的在線推薦系統，其特征在于，建立線性子模型的方式為：

分別提取所述知識圖譜中的連續特征和低維稠密特征；

將提取的連續特征進行分箱處理；

根據分箱處理后的連續特征和提取的低維稠密特征建立線性子模型。

8.如權利要求4所述的基于深度學習與知識圖譜融合的在線推薦系統，其特征在于，在得到深度學習模型之前，還包括以下步驟：采用損失函數對所述深度學習單元和所述線性子模型的參數進行優化調整。

9.如權利要求8所述的基于深度學習與知識圖譜融合的在線推薦系統，其特征在于，對所述深度學習單元和所述線性子模型的參數進行優化調整的方式為：

將深度學習單元和線性子模型的對數進行加權得到模型預測值；

將所述模型預測值推送到所述損失函數中，通過所述損失函數的最小批隨機梯度對深度學習單元和線性子模型的參數進行動態調整，確定合適的參數以形成最終的深度學習模型。

10.如權利要求1所述的基于深度學習與知識圖譜融合的在線推薦系統，其特征在于，所述客戶端還配置為當用戶觸發欄位機制時，為用戶提供在線推薦的推薦結果。