【技术实现步骤摘要】
本专利技术属于推荐系统，特别是涉及一种基于动态图聚合的对话推荐方法。
技术介绍
1、对话推荐系统(conversational recommender system，简称crs)是推荐系统领域的热点研究课题。与传统静态的推荐系统模型不同的是，crs通过自然语言与用户交互，在对话的过程中动态地根据用户的反馈提供更高质量的推荐，在电子商务、在线客服、旅游餐饮等领域有非常大的实用价值。一般来说，crs主要由对话模块和推荐模块两部分组成，对话模块负责理解用户当前意图并生成相应的自然语言答复，推荐模块则需要捕捉用户的偏好并提供高质量的推荐项目，crs通过转换机制将两个部分结合起来生成最终的包含推荐项目的答复。
2、然而，由于crs本身不包含任何相关知识信息，所以它无法仅靠简短的几句对话就理解用户的全部意图。为了解决这个问题，一些研究引入了外部知识图(knowledge graph，kg)来丰富上下文信息，如电影相关知识图dbpedia、单词相关知识图conceptnet等。其中主要使用图神经网络来聚合知识图的信息以便将其整合进crs框架，如图卷积神经网络gcn、关系图卷积神经网络rgcn等。在对话生成方面，crs通常使用序列到序列模型作为语言模型来生成答复文本，如transformer，其通常为编码器-解码器结构，编码器将上下文对话作为输入并将其编码为高级表示，而解码器根据此编码表示生成响应。
3、尽管很多研究表明这样的做法确实能够提高crs的性能，但仍然存在两个问题亟待解决。首先，在利用以知识图为主的辅助信息时，
技术实现思路
1、本专利技术的目的在于提供一种基于动态图聚合的对话推荐方法，能够得到更准确的推荐结果，生成更高质量的自然语言答复。
2、本专利技术所采用的技术方案是，一种基于动态图聚合的对话推荐方法，其特征在于，包括以下步骤：
3、步骤s1，gcn编码项目级别的知识图；
4、步骤s2，动态图聚合编码单词级别知识图，通过对话上下文挑选知识图现有三元组，进一步构建动态子图，最终获得的是一张全局图，所述步骤2具体包括：
5、步骤s21，动态图构建；
6、步骤s22，动态图聚合；
7、步骤s3，增强知识图的推荐模块；
8、步骤s4，增强知识图的对话模块。
9、进一步的，所述步骤s1中，根据对话内容构建新的动态知识图来利用知识图信息，并融合语言模型的编码器弥补知识图与语言模型之间的语义鸿沟：
10、
11、其中，r表示关系集合，表示节点e在节点间关系r下的相邻节点的集合，w(l)表示可训练参数矩阵，表示与邻居节点e'相关的权重矩阵，w(l)表示与自身相关的权重矩阵，ze,r表示归一化因子，表示节点e在下一层的表示，σ表示非线性激活函数，表示节点e在当前层的表示，表示节点e的邻居节点e'在当前层的表示。
12、进一步的，所述步骤s21中，
13、步骤s21a，通过单词匹配和规则过滤检索当前对话的回复，挑选出全部出现在回复中的单词以及与之相连接的其他单词，进而挑选出与当前回复相关的全部三元组，形成若干张子图，每张子图包含若干三元组；然后将每个三元组展平并送入对话模块中的语言模型编码器中，得到基础伪节点每一个伪节点代表一个三元组：
14、
15、其中，f(tj)表示对三元组tj进行展平操作，将三元组展为文本序列(例如：(play,mannerof,sound)将被展平为”play manner of milk”)，encoder表示对话模块中的语言模型编码器，分别表示三元组tj的头节点，节点间关系，尾节点；是得到的基础伪节点；
16、步骤s21b，引入语言模型编码器，学习当前文本中提到的单词的语义，同时填补知识图与语言生成模型之间存在的语义鸿沟，得到基本伪节点之后，再按照分组用分层伪节点将基本伪节点连接起来，形成由新的三元组构成的新子图：
17、
18、g'i＝{t'1,t'2,…,t'j} (5)
19、其中，t'j表示新三元组，g'i表示新子图，表示得到的基础伪节点，ra是新的三元组中的关系，表示分层伪节点，t'1,t'2,…,t'j表示各个新的三元组；
20、步骤s21c，通过根伪节点v将子图连接起来，最终形成一张全新的由伪三元组构成的全局伪图；
21、
22、g'＝{t1,t2,…,tj} (7)
23、其中，tj表示伪三元组，g'表示全局伪图表示分层伪节点，v表示根伪节点，t1,t2,…,tj表示分层伪节点和根伪节点v连接形成的伪三元组，ra表示它们之间的关系。
24、进一步的，所述步骤s22，基于步骤s21得到的重构的伪图，选择注意力机制在伪节点之间动态聚合信息以学习整张图，直接计算全部基本伪节点的平均值来聚合节点的特征，得到全局表示ε；将上下文出现过的单词送入语言模型编码器，得到上下文语义编码；最后，将ε与te级联起来送入一个全连接网络得到查询向量q，用于后续的注意力机制；
25、
26、te＝encoder(context_words) (9)
27、q＝fc(ε；te) (10)
28、其中，ε表示全部三元组的整体语义，te表示上下文语义编码，q表示查询向量，表示基本伪节点，|g'|表示新生成的全局伪图的节点数量，encoder表示语言模型编码器，context_words表示上下文出现过的单词，fc表示全连接神经网络。
29、进一步的，所述步骤s22得到查询向量q之后，正式开始图聚合过程，聚合基本伪节点的信息，以此来学习分层伪节点
30、
31、其中，表示注意力打分，表示注意力分布，是参数矩阵，q表示查询向量，表示基本伪节点；注意力更新函数，即根据注意力分布聚合的信息到的过程；t表示矩阵的转置，|g'i|表示子图g'i中节点的个数，j表示遍历这个子图的当前序号；
32、最后，聚合分层伪节点的信息来学习根伪节点v，聚合完成后，得到由conceptnet根据对话上下文内容动态聚合到的全局特征，即单词级别的嵌入矩阵u；
33、
34、其中，表示基本伪节点，q表示查询向量，|g'|表示新生成的全局伪图的节点数量，g'表示全局伪图，表示分层伪节点，表示注意力打分，wg'表示参数矩阵，表示是注意力分布，j表示遍历这个子图的本文档来自技高网...
【技术保护点】
1.一种基于动态图聚合的对话推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于动态图聚合的对话推荐方法，其特征在于，所述步骤S1中，根据对话内容构建新的动态知识图来利用知识图信息，并融合语言模型的编码器弥补知识图与语言模型之间的语义鸿沟：
3.根据权利要求1所述的一种基于动态图聚合的对话推荐方法，其特征在于，所述步骤S21中，
4.根据权利要求1所述的一种基于动态图聚合的对话推荐方法，其特征在于，所述步骤S22，基于步骤S21得到的重构的伪图，选择注意力机制在伪节点之间动态聚合信息以学习整张图，直接计算全部基本伪节点的平均值来聚合节点的特征，得到全局表示ε；将上下文出现过的单词送入语言模型编码器，得到上下文语义编码；最后，将ε与TE级联起来送入一个全连接网络得到查询向量q，用于后续的注意力机制；
5.根据权利要求4所述的一种基于动态图聚合的对话推荐方法，其特征在于，所述步骤S22得到查询向量q之后，正式开始图聚合过程，聚合基本伪节点的信息，以此来学习分层伪节点
6.根据权利要求1所述的一种基于动态图聚
7.根据权利要求6所述的一种基于动态图聚合的对话推荐方法，其特征在于，基于所述步骤S3的得到的用户偏好pu，用Softmax函数计算用户偏好表示与项目嵌入的相似度，得到一系列得分，进而生成一个排名，得到一个待推荐的项目集，这里设置一个交叉熵损失函数来学习参数：
8.根据权利要求1所述的一种基于动态图聚合的对话推荐方法，其特征在于，所述步骤S4中，使用Transformer作为对话模块的语言模型，
9.根据权利要求1或8所述的一种基于动态图聚合的对话推荐方法，其特征在于，所述步骤S4中，设置一个交叉熵损失函数学习参数：
...【技术特征摘要】
1.一种基于动态图聚合的对话推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于动态图聚合的对话推荐方法，其特征在于，所述步骤s1中，根据对话内容构建新的动态知识图来利用知识图信息，并融合语言模型的编码器弥补知识图与语言模型之间的语义鸿沟：
3.根据权利要求1所述的一种基于动态图聚合的对话推荐方法，其特征在于，所述步骤s21中，
4.根据权利要求1所述的一种基于动态图聚合的对话推荐方法，其特征在于，所述步骤s22，基于步骤s21得到的重构的伪图，选择注意力机制在伪节点之间动态聚合信息以学习整张图，直接计算全部基本伪节点的平均值来聚合节点的特征，得到全局表示ε；将上下文出现过的单词送入语言模型编码器，得到上下文语义编码；最后，将ε与te级联起来送入一个全连接网络得到查询向量q，用于后续的注意力机制；
5.根据权利要求4所述的一种基于动态图聚合的对话推荐方法，其特征在于，所述步骤s22得到查询向量q之后，正式开始图聚合过程，聚合基本伪节点的信息，以...
【专利技术属性】
技术研发人员：何婧，谯光辉，王勉，张镇，蔡静雯，
申请(专利权)人：云南大学，
类型：发明
国别省市：
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。