[發明專利]一種基于知識圖譜的用戶群組推薦系統及方法

有效

• 申請號: 202011267148.3
• 申請日: 2020-11-13
• 公開（公告）號: CN112364257B
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 邵杰;鄧智毅;李長宇;劉樹錦;申恒濤
• 申請（專利權）人: 四川省人工智能研究院(宜賓)
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/28;G06F16/36;G06N3/04;G06N3/08
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 李蕊

1.一種基于知識圖譜的用戶群組推薦方法，所述基于知識圖譜的用戶群組推薦的系統包括依次連接的信息傳播模塊、偏好聚合模塊和優化模塊；

所述信息傳播模塊用于構建協同知識圖譜以及聚合協同知識圖譜中某一節點的鄰居節點和獲取節點的高階表示；所述偏好聚合模塊用于根據節點的高階表示獲取用戶群組的特征表示；所述優化模塊用于優化可學習參數；

其特征在于，所述基于知識圖譜的用戶群組推薦方法包括以下步驟：

S1、采集物品知識圖譜，為用戶群組推薦系統數據集中物品尋找對應實體以及為用戶在物品知識圖譜中新建一個實體，得到協同知識圖譜；

S2、聚合協同知識圖譜中節點e的鄰居節點，得到鄰居聚合表示；

S3、根據鄰居聚合表示獲取節點e的高階表示，并以節點e的高階表示為基礎獲取節點e的第H階表示；

S4、根據節點e的第H階表示和注意力機制獲取用戶群組特征表示；

S5、通過用戶群組的特征表示計算正物品和負物品的預測分數，并通過正負物品的預測分數構建損失函數；

S6、使用Adam算法使損失函數最小，得到物品預測分數函數；

S7、根據步驟S1至S5的方法，使用物品預測分數函數獲取推薦系統對應的物品預測分數，并將預測分數最大的N個物品推薦給用戶群組；

所述步驟S1包括以下步驟：

S1.1、采集物品知識圖譜，將用戶群組推薦系統數據集中用戶選擇過的物品作為正物品，其他物品作為負物品；

S1.2、在物品知識圖譜中搜尋用戶群組推薦系統數據集中正負物品對應的實體，并將有多個對應實體和沒有對應實體的物品刪除；

S1.3、將保留的物品與物品知識圖譜中實體對應，將用戶作為新的實體添加至物品知識圖譜中，并在知識圖譜中添加連接用戶和物品的關系，將用戶與有交互記錄的物品連接，得到協同知識圖譜；

所述步驟S2中鄰居聚合表示e_Ne具體為：

其中，表示節點e的鄰居e_t的權重，N_e表示節點e的直接相鄰的鄰居集合，e_t∈N_e，r表示節點e與其鄰居e_t之間的關系；G表示協同知識圖譜中的三元組集合，所述三元組包含兩個實體及兩個實體之間的關系，e_t表示鄰居e_t的當前階表示；

所述權重具體為：

其中，exp表示指數函數，π(e,r_i,e_i)表示與節點e的關系為r_i的鄰居e_i的重要性；

所述鄰居重要性π(e,r,e_t)具體為：

π(e,r,e_t)＝i_e·r

其中，節點e為用戶時，i_e表示與節點e交互的物品零階表示；節點e為物品時，i_e表示與節點e交互的用戶組中所有用戶的零階表示平均值；r表示關系r的向量表示；

所述步驟S3包括以下分步驟：

S3.1、根據鄰居聚合表示，更新節點e的高一階表示e'為：

e'＝Relu(W(e+e_Ne)+b)

其中，W表示第一學習參數，b表示第二學習參數，e表示節點e的當前階表示；

S3.2、根據權重獲取鄰居聚合表示e_Ne的第h-1階表示為：

其中，表示鄰居節點e_t在第h-1階的表示；

S3.3、根據節點e的高一階表示e'的表達式和獲取節點e的第h階表示e^h為：

S3.4、根據步驟S3.2-S3.3所述方法獲取節點e的第H階表示；

所述步驟S4包括以下分步驟：

S4.1、根據節點e的第H階表示獲取用戶節點u_i和物品節點v的最高階表示，并獲取協同知識圖譜中用戶節點u_i對物品節點v的偏好得分a_SP(g,i,v)為：

a_SP(g,i,v)＝u_i·v

其中，g表示用戶節點u_i所在用戶組，i＝1,2,...,I，I表示用戶組g中用戶的總數，v表示物品節點v的最高階表示，u_i表示用戶節點u_i的最高階表示；

S4.2、利用注意力機制，獲取用戶組g內其他人對用戶節點u_i的重要度a_PI(g,i)為：

其中，v_c表示第三學習參數，W_c1表示第四學習參數，W_c2表示第五學習參數，S表示用戶組g中其他用戶的集合，CONCAT()表示向量拼接函數；u表示集合S中的用戶的最高階表示，b表示可訓練的偏置向量；

S4.3、將偏好得分a_SP(g,i,v)和重要度a_PI(g,i)相加，得到用戶節點u_i在用戶組g中的重要程度a(g,i,v)為：

a(g,i,v)＝a_SP(g,i,v)+a_PI(g,i)

S4.4、將重要程度a(g,i,v)歸一化，得到歸一化后的重要程度為：

其中，a(g,j,v)表示用戶節點u_j在用戶組g中的重要程度，j＝1,2,...,I；

S4.5、通過歸一化后的重要程度和用戶節點u_i的最高階表示獲取用戶組g的特征表示g為：

2.根據權利要求1所述基于知識圖譜的用戶群組推薦方法，其特征在于，所述步驟S5包括以下分步驟：

S5.1、根據用戶組g對應的特征表示g的函數，并通過用戶組g的正物品的第H階表示v_p和負物品的第H階表示v_n分別獲取用戶組g的特征表示g_p和特征表示g_n；

S5.2、通過特征表示g_p和特征表示g_n分別獲取正物品預測分數和負物品預測分數為：

S5.3、設定正物品預測分數和負物品預測分數之間的距離為M，所述距離σ()表示softmax函數，其用于歸一化預測分數；

S5.4、根據正物品預測分數負物品預測分數和距離M，構建損失函數L_group為：