协同知识感知增强网络推荐方法技术

本发明专利技术公开了协同知识感知增强网络推荐方法，主要涉及计算机应用技术领域；包括步骤：S1、构建知识图谱；S2、将用户和项目交互中的显式编码的协同信息和知识图谱中的关联知识无缝地结合起来，通过知识感知神经注意力机制融入用户和项目在知识图谱中的传播信息；S3、构建交叉压缩单元，通过交叉压缩单元得到项目原始嵌入，然后与知识图谱传播信息进行融合；S4、进行评分预测；本发明专利技术能够更好地适应数据稀疏及用户冷启动问题，以此提高模型性能和泛化力。力。力。

【技术实现步骤摘要】
协同知识感知增强网络推荐方法


[0001]本专利技术涉及计算机应用
，具体是协同知识感知增强网络推荐方法。

技术介绍

[0002]推荐系统旨在解决信息爆炸问题并满足用户的个性化兴趣，最受欢迎的推荐技术之一是协同过滤，它利用用户的历史互动并根据他们的共同偏好进行推荐。但是，基于协同过滤的方法通常会遇到用户与项目交互的稀疏性以及冷启动问题。因此，研究人员建议在推荐系统中使用辅助信息，包括社交网络，属性和多媒体(例如，文本，图像等)。在各种各样的附带信息中，包含更多有关事实的事实和联系的知识图谱受到越来越多的关注。知识图和推荐系统融合的核心是如何有效地集成异构信息增强用户和项目的潜在向量表示。
[0003]随着知识图谱在各种任务中的成功应用，研究人员最近尝试利用知识图谱来提高推荐系统的性能。Xiao Yu等人在论文《Personalized entity recommendation:A heterogeneous information network approach》和Huan Zhao等人在论文《Metagraph based recommendation fusion over heterogeneous information networks》中提出将KG视为异构信息网络，并提取基于潜在特征的元路径/元图来表示用户与项目之间沿不同类型关系的路径/图的连通。但是，这两个模型严重依赖于手动设计的元路径/元图，这限制了其在通用推荐方案中的应用。Hongwei Wang等人在论文《DKN:Deep Knowledge
‑
Aware Network for News Recommendation》中设计了一个卷积神经网络框架，将实体嵌入与单词嵌入相结合以进行新闻推荐。但是，该模型通常单独训练实体嵌入，没有针对特定任务进行优化，这会导致次优结果。关于该模型的另一个问题是，它几乎不能包含文字以外的辅助信息。Hongwei Wang等人在论文《RippleNet:Propagating User Preferences on the Knowledge Graph for Recommender Systems》中提出了一种类似于内存网络的模型，可以在知识图谱中传播用户的潜在偏好并探究他们的层次兴趣。但是在该模型中，由于关系的嵌入矩阵很难被训练为矩阵形式去捕捉重要性，导致关系的重要性很难被描述出来。Fuzheng Zhang等人在论文《Collaborative knowledge base embedding for recommender systems》提出将CF与结构性知识，文本知识和视觉知识结合在一起。但是，该模型中的知识图谱嵌入模块更适合于图内应用(例如知识图谱填充和链接预测)，而不是推荐应用。另外，在贝叶斯框架下，协同过滤模块和知识图谱嵌入模块在该模型中是松散耦合的，因此对于推荐系统而言，来自知识图谱的监督不太明显。Hongwei Wang等人在论文《Multi
‑
Task Feature Learning for Knowledge Graph Enhanced Recommendation》中提供了一个端到端的框架，它通过学习项目与知识图谱中实体之间的高阶交互来辅助推荐任务，但是它忽略了显式的协同信息，导致用户和项目嵌入不足，因此效果也并不理想。

技术实现思路

[0004]本专利技术的目的在于解决现有技术中存在的问题，提供协同知识感知增强网络推荐方法，能够更好地适应数据稀疏及用户冷启动问题，以此提高模型性能和泛化力。
[0005]本专利技术为实现上述目的，通过以下技术方案实现：
[0006]协同知识感知增强网络推荐方法，包括步骤：
[0007]S1、构建知识图谱；
[0008]S2、将用户和项目交互中的显式编码的协同信息和知识图谱中的关联知识无缝地结合起来，通过知识感知神经注意力机制融入用户和项目在知识图谱中的传播信息；
[0009]S3、构建交叉压缩单元，通过交叉压缩单元得到项目原始嵌入，然后与知识图谱传播信息进行融合；
[0010]S4、进行评分预测。
[0011]优选的，所述步骤S1具体为：模拟现实世界知识的传播，根据实体
‑
关系
‑
实体传播方式搭建知识图谱传播模型。
[0012]优选的，所述步骤S2具体为：根据用户
‑
项目
‑
实体和项目
‑
用户
‑
项目
‑
实体方式获取用户在知识图谱中的偏好传播以及项目在知识图谱中的协同传播，并通过知识感知神经注意力机制使知识图谱实体在不同关系条件下共享不同的权重。
[0013]优选的，所述步骤S3中，构建交叉压缩单元的方法为：获取项目和知识图谱实体嵌入，建立项目和知识图谱实体之间的高阶特征交互矩阵。
[0014]对比现有技术，本专利技术的有益效果在于：
[0015]1、本专利技术利用了用户历史交互信息以及丰富的知识图谱信息，将用户和项目交互中的显式编码的协同信息和知识图谱中的关联知识无缝地结合起来，通过知识感知神经注意力机制，使它们共享不同的权重，为嵌入贡献力量。同时，融入交叉压缩单元促进项目与知识图谱实体之间的信息共享，以增强项目特征建模，对模型作出改善，使其更好地适应数据稀疏及用户冷启动问题，以此提高模型性能和泛化力。
[0016]2、本专利技术提出了一个新的推荐系统模型：协同知识感知增强网络推荐；模型中融入了知识图谱和用户
‑
项目交互中关键的协同信息，丰富了用户和项目特征建模，缓解了数据稀疏性和冷启动问题；在2个数据集上对推荐任务进行了大量的实验验证，实验结果表明，所提出的模型相比最新的几个方法而言，取得了巨大的提升。
附图说明
[0017]附图1是本专利技术的总体架构图；
[0018]附图2是知识图谱传播模型；
[0019]附图3是交叉压缩单元；
[0020]附图4是本专利技术及对比算法实验结果。
具体实施方式
[0021]下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
[0022]实施例：如附图1所示，本专利技术所述协同知识感知增强网络推荐方法，包括步骤：
[0023]S1、构建知识图谱；
[0024]S2、将用户和项目交互中的显式编码的协同信息和知识图谱中的关联知识无缝地
结合起来，通过知识感知神经注意力机制融入用户和项目在知识图谱中的传播信息；
[0025]S3、构建交叉压缩单元，通过交叉压缩单元得到项目原始嵌入，然后与知识图谱传播信息进行融合；
[0026]S4、进行评分预测。
[0027]优选的，所述步骤S1具体为：模拟现实世界知本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.协同知识感知增强网络推荐方法，其特征在于，包括步骤：S1、构建知识图谱；S2、将用户和项目交互中的显式编码的协同信息和知识图谱中的关联知识无缝地结合起来，通过知识感知神经注意力机制融入用户和项目在知识图谱中的传播信息；S3、构建交叉压缩单元，通过交叉压缩单元得到项目原始嵌入，然后与知识图谱传播信息进行融合；S4、进行评分预测。2.如权利要求1所述的协同知识感知增强网络推荐方法，其特征在于，所述步骤S1具体为：模拟现实世界知识的传播，根据实体
‑
关系
‑
实体传播方式搭建知识图谱传播模型。3.如权利要求1所述的协同...

【专利技术属性】
技术研发人员：秦继伟，曾威，
申请(专利权)人：新疆大学，
类型：发明
国别省市：