[發明專利]一種改進的包含多重邊信息與多任務學習的深度推薦方法

有效

• 申請號: 202011337565.0
• 申請日: 2020-11-25
• 公開（公告）號: CN112487200B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 董立巖;王越群;馬心陶
• 申請（專利權）人: 吉林大學
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/9535;G06N3/04
• 代理公司: 長春市恒譽專利代理事務所(普通合伙) 22212
• 代理人: 鞠傳龍

本發明公開了一種改進的包含多重邊信息與多任務學習的深度推薦方法，其方法為：步驟一、輸入用戶以及項目的相關數據以及知識圖譜的三元組；步驟二、對項目屬性以及用戶屬性進行分類；步驟三、處理文本類屬性；步驟四、處理多值屬性；步驟五、通過用戶以及項目屬性進行用戶項目特征表示；步驟六、將項目屬性與知識圖譜的頭屬性進行交叉訓練；步驟七、迭代更新用戶向量、項目向量、知識圖譜頭部尾部向量；步驟八、損失函數學習。本發明的有益效果：提出SI?MKR，可以將傳統MKR模型的三個模塊進行創新，發展為四個模塊，將不可構造成知識圖譜三元組的屬性進行提前處理，針對每個屬性值進行初始化。

技術領域

本發明涉及一種深度推薦方法，特別涉及一種改進的包含多重邊信息與多任務學習的深度推薦方法。

背景技術

目前，隨著數字時代的發展，數據量呈爆炸式增長。從海量數據中提取有用信息已成為一個熱門的研究課題。第一個推薦系統是由Resnick在1997年提出的，根據用戶的行為數據向用戶推薦相應的項目或網頁。推薦系統可以通過產品或用戶畫像來評估用戶偏好，從而為用戶推薦合適的產品。推薦算法是推薦系統的核心元素，推薦系統主要分為基于協同過濾(CF)的推薦系統、基于內容的推薦系統和混合推薦系統。然而，隨著數據屬性的改進，數據中的內容變得越來越詳細，因此傳統的推薦系統無法挖掘出數據之間更深層次的聯系，比如新聞網站的點擊率(CTR)模型。傳統的推薦系統只能根據用戶是否點擊新聞、新聞何時發布、或者用戶點擊的新聞集合來進行協同過濾推薦。然而，這種方法并不能深刻地確定新聞站點的潛在內容。為了深入提取用戶和物品的特征，許多研究者將其他技術集成到推薦系統中。到目前為止，表示學習方法和深度學習方法在推薦系統中已經比較成熟。表示學習指的是推薦系統中的數據向量化。數據主要包括序列、圖等構造方法。序列構造將用戶的歷史行為數據(如點擊數據、訂閱數據等)構建成一個序列，然后通過跳躍模型和負采樣技術進行學習；RNN模型是這一領域的典型代表。圖形構造方法將用戶行為形成圖形結構。通過圖的拓撲結構與行走算法的相互結合，利用隨機游走算法得到序列。常用的行走算法有Deepwalk算法、node2vec算法和Line算法，然后可以通過Skip-gram算法和負采樣算法進行表示學習。近年來，在推薦系統中引入知識圖(KG)作為側信息引起了研究者的關注。KG是一種異構圖，其中節點作為實體，邊表示實體之間的關系?？梢詫㈨椖考捌鋵傩杂成涞終G中，以理解項目之間的相互關系。此外，還可以將用戶和用戶端信息集成到KG中，從而更準確地捕捉用戶和項目之間的關系以及用戶偏好。

推薦系統中知識圖特征學習的主要概念是挖掘知識圖的信息，并將其作為推薦系統的訓練項目。要構建推薦系統中的知識圖關系，推薦數據中的項目屬性和用戶屬性需要由知識圖的三元組構造。但是，并不是所有的屬性都適合用知識圖譜表示，因為有些屬性具有文本信息。如果將項目的文本內容屬性直接嵌入到ID中，那么文本內容的深層信息將是空的。此外，多值屬性包含多種類型的屬性值，也不適合用知識圖表示。例如，電影有多個類型，電影與其類型之間的關系是一對一的。在知識圖譜嵌入過程中，一個對多個或文本豐富的內容屬性的潛在內容會丟失。因此，在訓練過程中有必要對屬性進行分類。在培訓層次上，這意味著順序培訓和交替培訓的結合。本發明將對MKR模型和DKN模型進行更深層次的研究，并基于這兩種模型進行訓練方法的融合，以最大限度地發揮知識圖的信息功能。

發明內容

本發明的主要目的是為了以最大限度地發揮知識圖的信息功能而提供的一種改進的包含多重邊信息與多任務學習的深度推薦方法。

1、一種改進的包含多重邊信息與多任務學習的深度推薦方法，其特征在于：其方法如下所述：

步驟一、輸入用戶以及項目的相關數據以及知識圖譜的三元組：