[發明專利]基于語義特征和知識特征融合的內容推薦方法

在審

• 申請號: 202211298258.5
• 申請日: 2022-10-22
• 公開（公告）號: CN115659018A
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 席磊;鄭光;劉合兵;朱越;張浩;車銀超;馬新明
• 申請（專利權）人: 河南農業大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/36;G06F40/30;G06F18/2415;G06F18/25;G06N3/0442;G06N3/045;G06N3/08
• 代理公司: 鄭州盈派知識產權代理事務所(普通合伙) 41196
• 代理人: 樊羿;張曉輝

本申請公開了一種基于語義特征和知識特征融合的內容推薦方法，旨在解決傳統推薦模型面臨的數據稀疏性及推薦效果不好的問題。本申請基于知識圖譜，使用連續詞袋模型捕獲項目實體對應的語義特征，依據“偏好擴散”思想進行知識特征的學習，將不同層面特征進行融合后，使用結合注意力機制的門控循環單元挖掘用戶潛在興趣偏好。基于MovieLens數據集的對比實驗結果表明，所提出模型能夠有效提升推薦效果并緩解數據稀疏性問題，通過消融實驗驗證了該模型各個組件的有效性。

技術領域

本申請涉及大數據處理技術領域，具體涉及一種基于語義特征和知識特征融合的內容推薦方法。

背景技術

伴隨著互聯網數據的爆炸式增長，眾多冗余信息無規律、無差別地展現在用戶面前，嚴重降低了用戶獲取信息的效率。推薦系統是解決“信息過載”最有效的方式之一。近年來，推薦系統已越來越廣泛應用于音樂、電影、新聞等領域?，F有推薦方法可分為基于協同過濾的推薦方法、基于內容的推薦方法及混合推薦方法；其中應用最廣泛的是協同過濾推薦方法，然而協同過濾則過度依賴于用戶交互數據，當存在數據稀疏性問題時，該方法的準確性較低。

為了緩解傳統推薦方法中出現的問題，研究者們將用戶的社交關系、物品屬性和知識圖譜等作為輔助信息引入。為了對輔助信息中蘊含的大量與用戶偏好相關的數據進行特征提取，研究者們通常使用深度學習技術對其進行挖掘以提升推薦性能。將知識圖譜作為輔助信息引入推薦領域已成為當前的研究熱點。知識圖譜中蘊含的知識信息能夠在一定程度上緩解數據稀疏問題并增強推薦結果的可解釋性。

公開于該背景技術部分的信息僅用于加深對本公開的背景技術的理解，而不應當被視為承認或以任何形式暗示該信息構成本領域技術人員所公知的現有技術。

發明內容

發明人將知識圖譜引入推薦模型，提出一種基于語義特征和知識特征融合的推薦方法，借助知識圖譜對用戶興趣進行有效擴展，將知識圖譜中的語義特征與知識特征有效融合以獲得更準確的用戶興趣偏好；利用知識圖譜中的網絡結構，依據“偏好擴散”思想獲取用戶偏好擴散集，使用門控循環單元結合注意力機制挖掘用戶深層興趣。

根據本公開的一個方面，提供一種基于語義特征和知識特征融合的內容推薦方法，包括如下步驟：

(1)語義特征學習：使用連續詞袋模型(Continuous Bag-of-Words，CBoW)捕獲給定知識圖譜中項目實體對應的語義特征向量表示S_i；

(2)知識特征學習：在給定知識圖譜中，以用戶歷史交互項目為起點沿著關系鏈路向外擴散以獲得用戶偏好擴散集其中n表示鏈路長度；并根據用戶交互項目為偏好擴散集中的三元組分配對應的關聯概率；

(3)特征融合及結果生成：針對不同特征設計關系權重進行加權融合，并進行用戶對于偏好擴散集響應的計算：

式中，為用戶u對偏好擴散集的實體響應，由該節點的語義特征和知識特征加權融合得到；t_i表示實體h_i沿著關系r_i到達的尾實體；p_i為知識特征學習中學習到的關聯度；S_i表示語義特征學習中學習到的該實體對應的語義特征向量表示；α_i表示與尾實體t_i對應的語義特征S_i的權重；

按照內層至外層的順序將獲取到的用戶u在知識圖譜中不同鏈路長度下的實體響應輸門控循環單元(Gated Recurrent Unit，GRU)，對所得偏好擴散集進行關鍵特征提取，采用注意力機制為GRU提取到的特征向量進行權重分配，進而生成用戶的最終向量表示u：

式中，n表示偏好擴散集擴散的最大鏈路長度；為用戶u對偏好擴散集的實體響應在GRU單元中的隱藏狀態向量表示；θ_jn為當前第j個隱藏狀態向量對應的權重；