[发明专利]基于知识图谱与循环神经网络的推荐模型

说明书

本发明公开了一种基于知识图谱与循环神经网络的推荐模型，包括有知识图谱特征学习模块、扩散偏好集和循环神经网络推荐模块；知识图谱特征学习模块为知识图谱中的每个实体和关系学习得到一个低维向量，扩散偏好集包括有h+1层扩散偏好集h为扩散层数，每层相邻的扩散偏好集之间通过知识图谱连接，循环神经网络推荐模块对用户扩散偏好集进行学习，获取包含更多有用信息的更深层次的用户偏好表示，用于后续预测用户喜欢某个物品的概率。本发明利用知识图谱以及偏好扩散思想获取用户的扩散偏好集，将扩散偏好集作为循环神经网络的输入，以学习到更深层次的用户偏好特征表示，用于后续预测用户喜欢某个物品的概率。

技术领域

本发明涉及大数据推荐模型领域，具体是一种基于知识图谱与循环神经网络的推荐模型。

背景技术

推荐系统能够根据用户的属性档案和历史行为记录，学习用户的兴趣偏好，并从海量的内容中筛选出用户可能感兴趣的部分推荐给用户，解决了大数据时代下的信息过载问题，提高了用户体验，被大量应用在新闻、电影、书籍等在线内容和服务平台。协同过滤推荐是目前应用最广泛的推荐方法，它以用户对物品的偏好为基础，发现物品本身的相关性，为用户推荐具有相关性的物品；或者发现用户的相关性，然后将该用户偏好的物品推荐给其他具有相关性的用户。由于协同过滤推荐依赖用户的历史偏好数据，且偏好数据十分稀疏，从而降低了推荐的精确度。同时，新用户和新物品还将面临冷启动问题。

为了解决这些问题，研究者们尝试将额外的辅助信息引入推荐算法中，来丰富用户、物品或者信息的描述，从而弥补用户的历史偏好数据集的稀疏或缺失。常用的辅助信息包括：社交网络、用户/物品属性、图像/文本等多媒体信息、上下文信息、知识图谱等。

知识图谱是近年来新兴的一种辅助信息，其基本结构是一种有向异构图。知识图谱是Google于2012年5月17日正式提出的，是一种揭示实体之间关系的异构语义网络，可以对现实世界的事物及其相互关系进行形式化的描述。知识图谱中，节点E＝{e₁,e₂,e₃,...,e_|E|}代表实体或者概念，边R＝{r₁,r₂,r₃,...,r_|R|}代表实体/概念之间的各种语义关系。一个三元组(h,r,t)表示一条知识，两个实体间存在着某种关系，其中h表示知识的头节点，t表示尾节点。若干三元组的集合构成一个知识图谱。知识图谱特征学习(KGE)是网络特征学习的一个子领域，它为知识图谱中的每个实体和关系学习得到一个低维向量，降低知识图谱的高维性和异构性，同时保持图中原有的结构或语义信息。一般而言，KGE的模型[12]分为两类:(1)、基于语义的匹配模型：这类模型使用基于相似度的评分函数评估三元组的置信度，将实体和关系映射到语义空间中进行相似度度量。典型代表有ANALOGY[14]、ComplEx[15]、DisMult[16]等；(2)、基于距离的翻译模型：这类模型的核心思想是将实体和关系投影到同一空间下，然后使用基于距离的评分函数评估三元组的置信度，将关系视为从头节点实体到尾节点实体的翻译。典型代表有TransE、TransH、TransD、TransR等。