【技术实现步骤摘要】
一种基于异构传播协同知识感知网络的推荐方法
本专利技术属于个性化推荐
,更为具体地讲,涉及一种基于异构传播协同知识感知网络的推荐方法。
技术介绍
基于协同过滤的推荐系统通常存在着数据稀疏性和冷启动问题,有效解决上述问题的方式是引入辅助信息。知识图谱作为一种知识辅助信息在推荐系统中被广泛研究和应用。现有的基于知识图谱的推荐方法主要集中在如何有效地编码知识图谱中的知识关联上,却忽略了潜在于用户-物品交互信息中的协同信号。目前将协同信号与知识联系相结合的推荐方法是将用户-物品的交互图和知识图谱进行结合,形成协同知识图谱,再利用协同知识图谱学习用户和物品的隐向量表示从而进行推荐。但这种做法有三个问题:1、将用户视为与实体相同的节点,这对新用户非常不友好,一旦有新用户加入,需要重新构建和训练整个图。2、该方法假设用户-物品图中的高阶交互与知识图谱中的高阶关联为相同权重,但实际上二者处于不同的向量空间,应该赋予不同的表示。3、该方法在构建用户-物品的高阶交互时往往会带来更多的噪声,导致隐向量的学习不够高效。
技术实现思路
针对以上问题,本专利技术提出了一种基于异构传播协同知识感知网络的推荐方法,利用构建了异构传播的协同知识感知网络的模型,该模型显式编码了协同信号,并将信号无缝结合到高阶的知识联系中。该系统利用一种异构传播结构,包括协同传播和知识图谱传播,将用户-物品交互信息和知识信息放在两个不同维度空间,并以更自然的方式进行组合。这样可以充分利用用户-物品的交互信息和高阶 ...
【技术保护点】
1.一种基于异构传播协同知识感知网络的推荐方法,首先构建异构传播的协同知识感知网络结构的模型,其特征在于,包括如下步骤:/n步骤1、数据分析:在数据分析整理阶段,将所有的历史交互数据进行划分,用于建模、验证、测试;/n步骤2、行为建模:对于用户,根据历史交互数据,找出和用户有过交互的所有物品,将物品对应到知识图谱中的实体,构成表示用户的实体集合;所述历史交互数据包括用户的购买记录、点击记录;/n步骤3、协同信息:对于物品,根据历史数据,寻找到所有与该物品有历史交互的用户,构成历史用户集合;对于用户集合中的每一个用户,找到其交互过的物品;所有用户交互过的物品对应到知识图谱中的实体,构成表示物品的实体集合;/n步骤4、知识游走:对于表示用户/物品的初始实体集合,沿着知识图谱层级结构进行传播而不断得到新的实体集;/n步骤5、利用注意力机制的嵌入方法,每一层的实体集合输出一个隐向量;/n步骤6、向量表示:对于用户/物品,保留初始实体集合的嵌入向量,计算初始的嵌入向量;/n步骤7、嵌入集合:为了保留所有的信息,汇集用户的嵌入向量,得到向量集合;/n步骤8、向量聚合:聚合所有的向量,得到用户/物品 ...
【技术特征摘要】
1.一种基于异构传播协同知识感知网络的推荐方法,首先构建异构传播的协同知识感知网络结构的模型,其特征在于,包括如下步骤:
步骤1、数据分析:在数据分析整理阶段,将所有的历史交互数据进行划分,用于建模、验证、测试;
步骤2、行为建模:对于用户,根据历史交互数据,找出和用户有过交互的所有物品,将物品对应到知识图谱中的实体,构成表示用户的实体集合;所述历史交互数据包括用户的购买记录、点击记录;
步骤3、协同信息:对于物品,根据历史数据,寻找到所有与该物品有历史交互的用户,构成历史用户集合;对于用户集合中的每一个用户,找到其交互过的物品;所有用户交互过的物品对应到知识图谱中的实体,构成表示物品的实体集合;
步骤4、知识游走:对于表示用户/物品的初始实体集合,沿着知识图谱层级结构进行传播而不断得到新的实体集;
步骤5、利用注意力机制的嵌入方法,每一层的实体集合输出一个隐向量;
步骤6、向量表示:对于用户/物品,保留初始实体集合的嵌入向量,计算初始的嵌入向量;
步骤7、嵌入集合:为了保留所有的信息,汇集用户的嵌入向量,得到向量集合;
步骤8、向量聚合:聚合所有的向量,得到用户/物品最终的向量表示结果;
步骤9、预测结果:计算用户向量和物品向量的点积,该结果就是预测用户与物品产生交互的概率;
步骤10、损失迭代:使用函数计算模型对于单个用户推荐效果的损失,拟合训练数据中的实际交互数据;
步骤11、召回计算:将模型训练好之后,计算测试集中的测试用户和测试物品的交互概率,检验推荐模型的效果;对于经过训练的用户和物品,按照预测交互概率从大到小进行排序,输出排名靠前的物品。
2.根据权利要求1所述的一种基于异构传播协同知识感知网络的推荐方法,同时利用协...
【专利技术属性】
技术研发人员:谭火彬,林广艳,王泽,陈清泓,刘希阳,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。