[发明专利]一种基于知识图谱的个性化推荐方法

说明书

本发明公开了一种基于知识图谱的个性化推荐方法，属于知识图谱及机器学习技术领域，包括以下步骤：步骤1.将知识图谱中的物品进行向量化得到向量集合D以及每个物品的量化值；步骤2.根据知识图谱得到的量化值计算其物品之间的物品语义相似度；步骤3.基于用户行为计算出用户历史交互数据中物品之间的物品交互相似度；步骤4.根据所述的物品语义相似度和物品交互相似度计算所有物品的物品融合相似度；步骤5.根据所述的物品融合相似度预测用户对未评价的物品的评分，并根据所述的评分为用户生成推荐列表。本发明通过将基于知识图谱的物品语义相似度与基于用户行为的物品相似度融合，从而提高了推荐系统的推荐效果。

技术领域

本发明属于知识图谱及机器学习技术领域，具体涉及一种基于知识图谱的个性化推荐方法。

背景技术

随着信息科技的发展，网络信息数据呈现爆炸性的增长，人们在享受互联网信息交互带来的巨大便利时，也受到了一些问题的困扰，尤其是信息迷航和信息过载问题。信息迷航问题指用户在复杂的网络环境中收集信息时，往往会被一些无关的信息所吸引，迷失了信息查找的方向或者已经忘记了初期的学习目标。而信息过载问题指用户周围的信息已经超过了用户所能接受、处理和有效利用的范围，用户无法从大量的信息中发现自己感兴趣的信息。随着大数据时代的到来，网络信息数据呈现指数级的增长，而其中也充斥着大量的垃圾信息，这些信息是造成信息过载现象的诱因。推荐系统是一种能为用户提供有效信息服务的技术。推荐系统主要利用用户对物品的行为信息，挖掘出用户的个性化需求，通过用户的兴趣模型主动向用户提供满足其需求的信息。推荐系统因其能够挖掘用户兴趣的特点，已经成为了为用户提供个性化服务的一个重要研究领域，并得到了非常广泛的应用。

目前，主流的个性化推荐算法主要分为基于内容的推荐算法和协同过滤的推荐算法。协同过滤的推荐算法包括基于物品的协同过滤和基于用户的协同过滤。此外，基于模型的推荐算法也属于协同过滤算法的范畴。其中，基于内容的过滤需要分析文件资源的描述，并分析每个用户的兴趣和偏好，从而建立起用户偏好模型。通过用户兴趣偏好模型向用户提供推荐服务，但是它是具有一定的局限性的。基于协同过滤的推荐系统主要依赖用户对物品的行为信息，来挖掘用户的兴趣。协同过滤算法由于对专家知识的依赖度低，且利用了群体智慧，因此得到了最为广泛和深入的研究，并且取得了出色的效果。但是，在商业推荐系统中用户和物品的数量往往十分庞大，并且用户能够接触到的物品数量十分有限，直接导致用户对物品的行为信息往往十分稀疏。这就导致了协同过滤算法的效果可能很差。

现有的个性化推荐算法通常要么仅考虑了用户对物品的行为数据，要么仅考虑了物品的内容信息，要么在综合考虑用户对物品的行为数据和物品的内容的信息时，对物品的语义信息挖掘得不够充分，最终导致推荐的准确率低。

发明内容

本发明的目的在于：为解决基于物品的协同过滤算法没有考虑物品本身内容信息的缺陷而导致推荐准确率低的问题，提供了一种基于知识图谱的个性化推荐方法。

本发明采用的技术方案如下：

一种基于知识图谱的个性化推荐方法，包括以下步骤：

步骤1.将知识图谱中的物品进行向量化得到向量集合D以及每个物品的量化值；

步骤2.根据知识图谱得到的量化值计算其物品之间的物品语义相似度；

步骤3.基于用户行为计算出用户历史交互数据中物品之间的物品交互相似度；

步骤4.根据所述的物品语义相似度和物品交互相似度计算所有物品的物品融合相似度；

步骤5.根据所述的物品融合相似度预测用户对未评价的物品的评分，并根据所述的评分为用户生成推荐列表。

进一步地，步骤1中计算知识图谱中的物品的量化值的方法为：