一种融合知识图谱和时序特征的可解释兴趣点推荐方法技术

本发明专利技术公开了一种融合知识图谱和时序特征的可解释兴趣点推荐方法，涉及兴趣点推荐技术领域。该方法主要包括三个部分：知识图谱构建、实体间的潜在关系表示学习及用户行为的时序动态性捕捉、输出可解释的推荐结果，实体间的潜在关系表示学习是基于构建的知识图谱实现的，通过捕捉实体间的多条潜在关系路径，学习实体间的潜在关系表示，并进一步利用用户的签到序列，即融合路径静态信息和时序动态信息来学习用户偏好，最后基于学习到的用户偏好为用户推荐兴趣点，并提供推荐结果的解释。本发明专利技术能够在保证推荐精准度的同时，生成可解释的推理路径，通过提供推荐结果的解释，保证推荐方法的透明度，进而提高用户对推荐结果的信任水平和接受度。水平和接受度。水平和接受度。

【技术实现步骤摘要】
一种融合知识图谱和时序特征的可解释兴趣点推荐方法


[0001]本专利技术属于兴趣点推荐
，主要涉及一种融合知识图谱和时序特征的可解释兴趣点推荐方法。

技术介绍

[0002]随着移动互联网技术的飞速发展，基于位置的社交网络平台应运而生并受到广泛关注，例如Foursquare、Gowalla和Facebook Places等。基于位置的社交网络将网络空间与物理世界联系在一起，使用户可以通过发布兴趣点(如餐厅、商场等)签到来分享生活经历，从而产生海量移动数据。这些移动数据为分析用户的行为和偏好提供了机遇，并催生了对兴趣点推荐的研究。
[0003]目前，研究者们提出了大量兴趣点推荐方法。现有方法大致可分为两类，分别为基于协同过滤的兴趣点推荐方法和基于深度学习的兴趣点推荐方法。与基于协同过滤的兴趣点推荐方法相比，基于深度学习的兴趣点推荐方法能够利用复杂的网络模型挖掘用户移动行为中的偏好特征，有效提高了推荐结果的精确性。然而，现有的兴趣点推荐方法大多仅给出推荐却未提供推荐结果的解释，无法保证推荐系统的透明度，进而影响用户对推荐结果的信任水平和接受度。为提高推荐结果的说服力，进一步增加推荐系统的可信度，给用户提供推荐兴趣点的支持性信息和证据是至关重要的。
[0004]可解释推荐对于用户移动行为分析是十分必要的，已有针对可解释兴趣点推荐的研究工作主要分为基于嵌入(Embedding
‑
based)和基于路径(Path
‑
based)的方法。基于嵌入的方法侧重于对语义关联进行建模，使相似的实体具有较小的表示距离，但缺乏发现多跳关系路径的能力。与基于嵌入的方法相比，基于路径的方法能够有效挖掘实体间的多跳关系，但可解释兴趣点推荐仍然存在许多挑战。一方面，现有方法在构建知识图谱时未利用兴趣点的空间信息，而空间信息对于学习用户个性化偏好起着至关重要的作用；另一方面，利用知识图谱的静态信息虽然提高了模型的可解释性，却无法捕捉用户移动行为的动态性，影响了兴趣点推荐的性能。

技术实现思路

[0005]针对上述现有技术存在的不足，本专利技术提供一种融合知识图谱和时序特征的可解释兴趣点推荐方法，旨在有效融合知识图谱的结构化信息和用户的签到序列，挖掘用户偏好来进行兴趣点推荐，并根据路径推理促进推荐解释生成。
[0006]本专利技术的技术方案为：
[0007]一种融合知识图谱和时序特征的可解释兴趣点推荐方法，该方法包括：
[0008]步骤I：对数据集中的初始数据空间进行划分，获得的每个子空间视为一个区域，进而根据兴趣点的原始空间信息获取兴趣点的所属区域，将兴趣点的原始空间信息转换为粗粒度的空间信息；
[0009]步骤II：整合用户
‑
兴趣点的交互信息和兴趣点的粗粒度的空间信息，构建知识图
谱；
[0010]所述知识图谱包含的实体有：用户、兴趣点、空间信息，包含的关系有：用户
‑
兴趣点、兴趣点
‑
区域；其中用户
‑
兴趣点代表用户与兴趣点之间存在历史交互；兴趣点
‑
区域代表兴趣点的位置位于某个区域内；
[0011]步骤III：基于知识图谱中的路径静态信息捕捉实体之间的潜在关系，并融合用户签到序列的时序动态信息来学习用户偏好；
[0012]所述实体间的潜在关系通过实体间的潜在关系路径体现，所述实体间的潜在关系路径，是指知识图谱中连接两个实体的多跳路径，能够表示两个实体间的潜在关系，包括用户与兴趣点之间的潜在关系路径、兴趣点与兴趣点之间的潜在关系路径两个类别；
[0013]步骤IV：基于学习到的用户偏好为用户推荐兴趣点，生成推荐结果的解释。
[0014]进一步地，根据所述的融合知识图谱和时序特征的可解释兴趣点推荐方法，所述数据集，是指由某一基于位置的社交网络中用户的签到数据构成的集合，其中包含签到数据所涉及的用户ID、兴趣点ID、用户
‑
兴趣点的交互时间，以及兴趣点的位置信息。
[0015]进一步地，根据所述的融合知识图谱和时序特征的可解释兴趣点推荐方法，所述初始数据空间，是指数据集中所有兴趣点的位置信息构成的空间。
[0016]进一步地，根据所述的融合知识图谱和时序特征的可解释兴趣点推荐方法，所述步骤I包括如下步骤：
[0017]步骤I
‑
1：设置超参数：区域边长阈值δ；
[0018]步骤I
‑
2：初始化待划分的空间集合X，令X＝{初始数据空间}；
[0019]步骤I
‑
3：将X中的每个空间按横坐标划分成两个大小相同的子空间，判断各子空间边长是否小于区域边长阈值δ，如果存在子空间边长小于区域边长阈值δ，则停止划分，输出最终的区域划分结果，结束步骤I，否则，令X＝{当前步骤划分得到的多个子空间}，执行步骤I
‑
4；
[0020]步骤I
‑
4：将X中的每个空间按纵坐标划分成两个大小相同的子空间，判断各子空间边长是否小于区域边长阈值δ，如果存在子空间边长小于区域边长阈值δ，则停止划分，输出最终的区域划分结果，结束步骤I，否则，令X＝{当前步骤划分得到的多个子空间}，转至步骤I
‑
3。
[0021]进一步地，根据所述的融合知识图谱和时序特征的可解释兴趣点推荐方法，所述关系用户
‑
兴趣点表示为(u1,签到,v1)；所述关系兴趣点
‑
区域表示为(v1,隶属于,a1)；其中u1为任一用户，v1为任一兴趣点，a1为兴趣点v1位于的区域。
[0022]进一步地，根据所述的融合知识图谱和时序特征的可解释兴趣点推荐方法，所述步骤III包括如步骤：
[0023]步骤III
‑
1：利用现有的知识图谱嵌入方法学习知识图谱中各实体和关系的嵌入表示；
[0024]步骤III
‑
2：根据知识图谱中各实体和关系的嵌入表示，学习实体间的潜在关系表示；
[0025]步骤III
‑
3：在知识图谱中实体间的路径静态信息的基础上，进一步融合用户签到的时序动态信息，进而学习用户偏好。
[0026]进一步地，根据所述的融合知识图谱和时序特征的可解释兴趣点推荐方法，所述
步骤III
‑
1包括如下步骤：
[0027]步骤III
‑1‑
1：根据知识图谱获取邻居上下文和路径上下文；
[0028]对于给定的任意实体e，实体e的邻居上下文C
N
(e)是以e为头实体的三元组中出现的所有关系
‑
尾实体对；
[0029]对于给定的两个实体e和e
′
，实体e和实体e
′
的路径上下文C
P
(e,e
′
)是指实体e到实体e
′
的一组路径中出现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合知识图谱和时序特征的可解释兴趣点推荐方法，其特征在于，该方法包括：步骤I：对数据集中的初始数据空间进行划分，获得的每个子空间视为一个区域，进而根据兴趣点的原始空间信息获取兴趣点的所属区域，将兴趣点的原始空间信息转换为粗粒度的空间信息；步骤II：整合用户
‑
兴趣点的交互信息和兴趣点的粗粒度的空间信息，构建知识图谱；所述知识图谱包含的实体有：用户、兴趣点、空间信息，包含的关系有：用户
‑
兴趣点、兴趣点
‑
区域；其中用户
‑
兴趣点代表用户与兴趣点之间存在历史交互；兴趣点
‑
区域代表兴趣点的位置位于某个区域内；步骤III：基于知识图谱中的路径静态信息捕捉实体之间的潜在关系，并融合用户签到序列的时序动态信息来学习用户偏好；所述实体间的潜在关系通过实体间的潜在关系路径体现，所述实体间的潜在关系路径，是指知识图谱中连接两个实体的多跳路径，能够表示两个实体间的潜在关系，包括用户与兴趣点之间的潜在关系路径、兴趣点与兴趣点之间的潜在关系路径两个类别；步骤IV：基于学习到的用户偏好为用户推荐兴趣点，生成推荐结果的解释。2.根据权利要求1所述的融合知识图谱和时序特征的可解释兴趣点推荐方法，其特征在于，所述数据集，是指由某一基于位置的社交网络中用户的签到数据构成的集合，其中包含签到数据所涉及的用户ID、兴趣点ID、用户
‑
兴趣点的交互时间，以及兴趣点的位置信息。3.根据权利要求1或2所述的融合知识图谱和时序特征的可解释兴趣点推荐方法，其特征在于，所述初始数据空间，是指数据集中所有兴趣点的位置信息构成的空间。4.根据权利要求1所述的融合知识图谱和时序特征的可解释兴趣点推荐方法，其特征在于，所述步骤I包括如下步骤：步骤I
‑
1：设置超参数：区域边长阈值δ；步骤I
‑
2：初始化待划分的空间集合X，令X＝{初始数据空间}；步骤I
‑
3：将X中的每个空间按横坐标划分成两个大小相同的子空间，判断各子空间边长是否小于区域边长阈值δ，如果存在子空间边长小于区域边长阈值δ，则停止划分，输出最终的区域划分结果，结束步骤I，否则，令X＝{当前步骤划分得到的多个子空间}，执行步骤I
‑
4；步骤I
‑
4：将X中的每个空间按纵坐标划分成两个大小相同的子空间，判断各子空间边长是否小于区域边长阈值δ，如果存在子空间边长小于区域边长阈值δ，则停止划分，输出最终的区域划分结果，结束步骤I，否则，令X＝{当前步骤划分得到的多个子空间}，转至步骤I
‑
3。5.根据权利要求1所述的融合知识图谱和时序特征的可解释兴趣点推荐方法，其特征在于，所述关系用户
‑
兴趣点表示为(u1，签到，v1)；所述关系兴趣点
‑
区域表示为(v1，隶属于，a1)；其中u1为任一用户，v1为任一兴趣点，a1为兴趣点v1位于的区域。6.根据权利要求1所述的融合知识图谱和时序特征的可解释兴趣点推荐方法，其特征在于，所述步骤III包括如下步骤：步骤III
‑
1：利用现有的知识图谱嵌入方法学习知识图谱中各实体和关系的嵌入表示；步骤III
‑
2：根据知识图谱中各实体和关系的嵌入表示，学习实体间的潜在关系表示；步骤III
‑
3：在知识图谱中实体间的路径静态信息的基础上，进一步融合用户签到的时
序动态信息，进而学习用户偏好。7.根据权利要求6所述的融合知识图谱和时序特征的可解释兴趣点推荐方法，其特征在于，所述步骤III
‑
1包括如下步骤：步骤III
‑1‑
1：根据知识图谱获取邻居上下文和路径上下文；对于给定的任意实体e，实体e的邻居上下文C
N
(e)是以e为头实体的三元组中出现的所有关系
‑
尾实体对；对于给定的两个实体e和e
′
，实体e和实体e
′
的路径上下文C
P
(e，e
′
)是指实体e到实体e
′
的一组路径中出现的所有合成关系；其中，所述合成关系，是指一个实体到另一个实体的某条路径中的多个关系形成的多元组；步骤III
‑1‑
2：形成由邻居上下文和路径上下文组成的三元组上下文，并基于三元组上下文得到知识图谱嵌入方法的得分函数f(e，r，e
′
)：f(e，r，e
′
)＝P((e，r，e
′
)|C(e，r，e
′
)；Θ
E
)其中，e和e
′
为给定的两个实体；r表示关系；Θ
E
为嵌入方法的参数，P(
·
)表示概率，C(e，r，e
′
)表示由邻居上下文和路径上下文组成的三元组上下文；步骤III
‑1‑
3：通过最大化知识图谱中所有三元组的联合概率P(KG|Θ
E
...

【专利技术属性】
技术研发人员：申德荣，石美惠，寇月，聂铁铮，
申请(专利权)人：东北大学，
类型：发明
国别省市：