[發(fā)明專利]基于知識圖譜和時序特征的對話推薦方法、系統(tǒng)及設(shè)備

在審

• 申請?zhí)枺?/td>: 202110615879.0
• 申請日: 2021-06-02
• 公開（公告）號: CN113360615A
• 公開（公告）日: 2021-09-07
• 發(fā)明（設(shè)計(jì)）人: 劉杰;王曉藝;張磊;駱力明
• 申請（專利權(quán)）人: 首都師范大學(xué)
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/335;G06F16/36;G06F16/38;G06F40/284;G06F40/30;G06N3/04;G06N3/08
• 代理公司: 北京易捷勝知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11613
• 代理人: 齊勝杰

本發(fā)明涉及一種基于知識圖譜和時序特征的對話推薦方法、系統(tǒng)、設(shè)備及介質(zhì)，其方法包括：首先，獲取用戶的至少一組對話數(shù)據(jù)；其次，將對話數(shù)據(jù)輸入預(yù)先訓(xùn)練的對話推薦模型中，先后通過語義融合層獲取對話數(shù)據(jù)的表征向量，通過時序優(yōu)化層對所述表征向量賦予時序特征，以及獲取對話關(guān)鍵信息和用戶偏好信息；最后，依據(jù)所述時序特征、所述對話關(guān)鍵信息以及所述用戶偏好信息，生成至少一組用于對話的應(yīng)答和/或至少一個用于推薦的item。本發(fā)明提出了一種基于知識圖譜和時序特征的框架，通過利用兩個外部知識圖譜增強(qiáng)word和item的語義表示，并且利用時序優(yōu)化層根據(jù)對話內(nèi)容的順序給出不同的推薦意見，提升了對話推薦系統(tǒng)的性能。

技術(shù)領(lǐng)域

本發(fā)明涉及語義分析技術(shù)領(lǐng)域，尤其涉及一種基于知識圖譜和時序特征的對話推薦方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)

隨著互聯(lián)網(wǎng)的普及和信息技術(shù)的發(fā)展，網(wǎng)絡(luò)信息數(shù)據(jù)呈現(xiàn)爆炸性的增長，信息過載問題隨之凸顯。為了幫助用戶從大量信息中發(fā)現(xiàn)自己感興趣的信息，以及幫助信息生產(chǎn)者讓自己生產(chǎn)的信息受到廣大用戶的關(guān)注，對話推薦系統(tǒng)應(yīng)運(yùn)而生，旨在通過交互式的對話給用戶推薦高質(zhì)量的item。知識圖譜蘊(yùn)含了item屬性和各種類型的關(guān)系，具有強(qiáng)大的背景知識，能夠?yàn)橥扑]算法提供豐富的item語義信息，提高推薦系統(tǒng)的性能，因此基于知識圖譜的對話推薦系統(tǒng)有巨大的潛力。

現(xiàn)有的研究表明引入知識圖譜雖然在一定程度上提高了對話推薦系統(tǒng)的性能，但是仍然存在一些問題。比如當(dāng)都是談到相同的item時，但對話的內(nèi)容一個是正面，一個是負(fù)面，所推薦的item仍然沒有區(qū)別。再比如，同一個item談及到的時間順序不一致，現(xiàn)有方案仍然給出同一的推薦結(jié)果，這說明現(xiàn)有的對話推薦系統(tǒng)并不能很好地應(yīng)對各種場景下的對話與推薦。

發(fā)明內(nèi)容

(一)要解決的技術(shù)問題

鑒于現(xiàn)有技術(shù)的上述缺點(diǎn)、不足，本發(fā)明提供一種基于知識圖譜和時序特征的對話推薦方法、系統(tǒng)、設(shè)備及介質(zhì)，其解決了現(xiàn)有對話推薦系統(tǒng)因未考慮時序從而不能準(zhǔn)確對話與推薦的技術(shù)問題。

(二)技術(shù)方案

為了達(dá)到上述目的，本發(fā)明采用的主要技術(shù)方案包括：

第一方面，本發(fā)明公開一種基于知識圖譜和時序特征的對話推薦方法，包括：

獲取用戶的至少一組對話數(shù)據(jù)；

將所述對話數(shù)據(jù)輸入預(yù)先訓(xùn)練的對話推薦模型中，先后通過語義融合層獲取對話數(shù)據(jù)的表征向量，通過時序優(yōu)化層對所述對話數(shù)據(jù)的表征向量賦予時序特征，以及基于賦予時序特征的表征向量獲取對話關(guān)鍵信息和用戶偏好信息；

依據(jù)所述時序特征、對話關(guān)鍵信息以及用戶偏好信息，生成至少一組用于對話的應(yīng)答和/或至少一個用于推薦的item。

其中，所述對話推薦模型包括語義融合層和時序優(yōu)化層，所述語義融合層的輸出作為所述時序優(yōu)化層的輸入。

可選地，獲取用戶的至少一組對話數(shù)據(jù)之后，還包括：

構(gòu)建對話推薦模型，并選取任一組對話數(shù)據(jù)對所述對話推薦模型進(jìn)行訓(xùn)練，得到預(yù)先訓(xùn)練的對話推薦模型；

所述語義融合層基于知識圖譜和圖卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建而成，所述圖卷積神經(jīng)網(wǎng)絡(luò)包括GCN神經(jīng)網(wǎng)絡(luò)和R-GCN神經(jīng)網(wǎng)絡(luò)；所述時序優(yōu)化層基于依次連接的位置編碼模塊、BiGRU神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制以及softmax模塊構(gòu)建而成。

可選地，所述通過語義融合層獲取對話數(shù)據(jù)的表征向量包括：

從至少一個所述知識圖譜中為對話數(shù)據(jù)中的單詞級數(shù)據(jù)和item級數(shù)據(jù)分別匹配至少一個知識視圖；

將所述單詞級數(shù)據(jù)、item級數(shù)據(jù)以及各自匹配的知識視圖分別輸入到GCN神經(jīng)網(wǎng)絡(luò)和R-GCN神經(jīng)網(wǎng)絡(luò)，得到多個詞表征向量和item表征向量。