[發(fā)明專利]一種基于知識圖譜卷積算法的個性化推薦方法

在審

• 申請?zhí)枺?/td>: 202011385310.1
• 申請日: 2020-11-30
• 公開（公告）號: CN112488791A
• 公開（公告）日: 2021-03-12
• 發(fā)明（設計）人: 張海龍;顏金堯
• 申請（專利權）人: 中國傳媒大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/242;G06F16/28;G06N3/04;G06N3/08;G06N7/00
• 代理公司: 北京思海天達知識產(chǎn)權代理有限公司 11203
• 代理人: 劉萍

一種基于知識圖譜卷積算法的個性化推薦方法屬于混合推薦系統(tǒng)領域；該方法首先構建每個物品在領域知識圖譜中的1至d跳實體感受野集合，以圖卷積算法聚合d至1跳感受野實體的嵌入向量，計算出含有高階鄰居信息的物品嵌入向量；聚合過程中在圖卷積算法的基礎上使用知識圖譜表示學習模型DistMult以及表示用戶興趣分布的注意力機制提高嵌入向量表達能力；借鑒矩陣分解模型，將迭代生成的高階物品嵌入向量與用戶嵌入向量進行乘積，并使用Sigmoid函數(shù)輸出預測的交互概率；使用最大后驗概率估計推理出混合用戶?物品交互矩陣損失函數(shù)和知識圖譜表示學習損失函數(shù)的聯(lián)合損失函數(shù)。本發(fā)明豐富了物品嵌入向量的高階特征表示，增強了實體及關系嵌入向量的表達準確性。

技術領域

本發(fā)明屬于混合推薦系統(tǒng)領域，尤其涉及一種基于知識圖譜卷積算法的個性化推薦模型。

背景技術

近年來科學技術尤其是互聯(lián)網(wǎng)的蓬勃發(fā)展使人類社會開始面臨嚴重的“信息過載”問題，如何在有限的互聯(lián)網(wǎng)頁面更有效的顯示最能夠吸引用戶的內容成為各大技術公司競相追逐的熱點。這一過程中，各種推薦算法獲得了長足的發(fā)展。推薦算法意圖對于給定的用戶物品對，首先估算用戶可能與此物品發(fā)生交互的得分，然后基于得分高低將物品排序，并最終將TopN的物品推薦給用戶。經(jīng)典的協(xié)同過濾推薦算法嘗試對用戶的興趣特征和物品的屬性特征進行聯(lián)合建模，并通過向量運算估算出交互概率。更早的基于內容的推薦算法則簡單的考慮物品在內容上的相似性，并通過歷史行為記錄給用戶推薦相似的物品。以上算法存在可解釋性較差、冷啟動、精確度不足等問題。而混合推薦算法則通過綜合多種推薦算法的優(yōu)良性，具有更好的推薦效果。比如融合協(xié)同過濾與知識圖譜表示學習的推薦算法和融合矩陣分解與循環(huán)神經(jīng)網(wǎng)絡的推薦模型。其中，由于知識圖譜包含用戶和物品的豐富信息，基于知識圖譜的推薦受到了越來越多的關注。這類算法主要分為兩種，一種是通過元路徑方法計算知識圖譜中的物品相似性，另一種是使用知識圖譜表示學習模型自動獲得實體及關系的語義嵌入。元路徑法嚴重依賴于人工選擇的元路徑特性，而表示學習模型雖然克服了這一缺點，但其學習到的表示向量只適合在知識圖譜內部進行推理計算，缺少用戶興趣特征的融入。

近年來，隨著非歐幾里得空間數(shù)據(jù)——圖數(shù)據(jù)的大量增長，適合對其進行建模的圖卷積神經(jīng)網(wǎng)絡模型吸引了大量的關注。其在挖掘有效拓撲信息、處理異質數(shù)據(jù)、提取關鍵復雜特征方面具有較好的可靠性。知識圖譜屬于一種典型的圖數(shù)據(jù)。目前，基于知識圖譜的圖卷積神經(jīng)網(wǎng)絡推薦模型主要通過聚合鄰域信息對實體進行建模，但在聚合方式上處理的過于簡單，使得實體及關系的向量表示不夠精確，推薦效果有待提高。

發(fā)明內容

本發(fā)明針對目前基于知識圖譜的圖卷積神經(jīng)網(wǎng)絡模型在聚合鄰域信息時處理過于簡單，實體及關系的向量表示不夠精確的問題，提出一種基于知識圖譜表示學習與圖卷積算法進行信息聚合的個性化精準推薦方法。該方法在聚合鄰域信息時先通過知識圖譜表示學習模型DistMult進行了嚴格的關系推理，然后使用注意力機制計算所得推理嵌入向量的加權和，可以提高實體及關系嵌入表示的準確性，進而改善推薦結果的準確性與可解釋性。

本發(fā)明采用的技術方案如下：

一種基于知識圖譜卷積算法的個性化推薦方法，該方法通過聚合物品實體嵌入向量在領域知識圖譜中的多跳感受野信息從而學習其高階特征表示；首先構建每個物品在領域知識圖譜中的1至d跳實體感受野集合，然后以圖卷積算法聚合d至1跳感受野實體的嵌入向量，最終計算出含有高階鄰居信息的物品嵌入向量；聚合過程中在圖卷積算法的基礎上使用知識圖譜表示學習模型DistMult以及表示用戶興趣分布的注意力機制提高嵌入向量表達能力；方法借鑒矩陣分解模型，將迭代生成的高階物品嵌入向量與用戶嵌入向量進行乘積，并使用Sigmoid函數(shù)輸出預測的交互概率；方法基于貝葉斯公式，使用最大后驗概率估計推理出混合用戶-物品交互矩陣損失函數(shù)和知識圖譜表示學習損失函數(shù)的聯(lián)合損失函數(shù)，并使用Adam算法進行優(yōu)化；方法在構建訓練數(shù)據(jù)時使用了負采樣方法，并使用AUC與F1值評價性能。

進一步的，所述構建領域知識圖譜的方法具體為：