[發明專利]一種基于領域知識圖譜的內容推薦方法

在審

• 申請號: 202011435336.2
• 申請日: 2020-12-10
• 公開（公告）號: CN112559764A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 鄭晨燁;孫劍;喬勝勇
• 申請（專利權）人: 北京中視廣信科技有限公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/9535;G06N3/04;G06K9/62
• 代理公司: 北京市盛峰律師事務所 11337
• 代理人: 席小東

本發明提供一種基于領域知識圖譜的內容推薦方法，包括：將用戶歷史點擊內容輸入基于實體表示的候選內容生成模型，生成用戶可能感興趣的第一候選內容；基于知識圖譜興趣采樣的內容表示學習模型，生成內容表示向量；再根據內容表示向量，得到用戶對內容的點擊概率分布，生成用戶可能感興趣的第二候選內容；將第一候選內容和第二候選內容中的各個內容進行排序，得到內容推薦列表。優點為：本發明實現的基于知識圖譜的內容推薦方法，能夠通過知識圖譜建立內容之間的關系，使得向用戶推薦的內容與用戶歷史點擊內容具有關聯關系，推薦結果更具有解釋性。本發明能夠解決內容冷啟動問題，同時，在缺乏用戶歷史行為數據的情況下，提高了推薦性能。

技術領域

本發明屬于信息處理技術領域，具體涉及一種基于領域知識圖譜的內容推薦方法。

背景技術

近年來，隨著互聯網和大數據技術的快速發展，人們面臨著在海量信息中快速找到有效信息的挑戰，推薦系統可以通過分析人們的歷史行為，幫助人們有效過濾信息，并為用戶推薦其感興趣的信息。

現有推薦方法一般分為兩種：1、使用協同過濾的方式建立用戶與用戶之間的相似度關系，或內容與內容之間的相似度關系，然后，為用戶推薦與其歷史觀看相似的內容。2、對內容和用戶歷史行為進行編碼，然后，使用深度學習方法對用戶歷史行為和內容進行建模，使用模型計算用戶對內容的點擊概率，進而為用戶推薦點擊概率最高的內容。

上述兩種方法存在以下問題：一方面，需要大量用戶歷史行為數據，在缺乏用戶歷史行為數據的情況下，存在冷啟動的問題。另一方面，上述方法僅使用用戶歷史行為數據，或數據標簽信息，缺乏內容相關的多源特征，對用戶潛在興趣挖掘的能力較差，推薦內容具有較大局限性。此外，上述兩種方法使用的特征均具有稀疏性，導致推薦效果不佳，且計算資源消耗大。

發明內容

針對現有技術存在的缺陷，本發明提供一種基于領域知識圖譜的內容推薦方法，可有效解決上述問題。

本發明采用的技術方案如下：

本發明提供一種基于領域知識圖譜的內容推薦方法，包括以下步驟：

步驟1，構建知識圖譜G(V，E)；其中，V為知識圖譜中所有實體的集合；知識圖譜中每個實體用v表示；E為知識圖譜中所有實體與實體之間關系的集合；

步驟2，使用圖表示學習模型GraphSAGE，對知識圖譜G(V，E)中的實體進行學習，每個實體v均學習得到對應的一個低維稠密的實體表示向量h_v，其中，h_v∈H，H為所有實體表示向量集合；實體表示向量h_v包含了實體v的鄰域信息，知識圖譜中存在路徑的兩個實體的實體表示向量相似度更大；

步驟3，建立內容庫C；內容庫C包括N_C個內容c；

步驟4，對于內容庫C中的每個內容c_i，通過實體鏈接方法，建立內容c_i與知識圖譜G(V，E)中實體之間的關系，得到內容-實體映射表；其中，內容c_i映射到知識圖譜G(V，E)中多個實體，多個實體形成實體集合；

步驟5，將用戶歷史點擊內容輸入基于實體表示的候選內容生成模型，生成用戶可能感興趣的第一候選內容；

步驟5.1，內容庫C中的每個內容c_i，映射到對應的一個實體集合；實體集合包括L個實體；實體集合中的每個實體對應一個實體表示向量，因此，共得到L個內容c_i相關的實體表示向量，分別為：形成實體表示向量集合

內容c_i和相關的實體表示向量集合表示為：其中，

步驟5.2，預設置實體表示向量集合包括的實體表示向量的最大數量L₀，即：實體表示向量集合長度的最大數量；