[发明专利]一种基于知识图谱的内容推荐方法和系统

权利要求书

1.一种基于知识图谱的内容推荐方法，其特征在于，包括：

获取用户在一段设定时间内点击过的历史内容，并确定与所述历史内容相似的若干候选内容；

对于所述历史内容和所述候选内容，分别使用融合了知识的卷积神经网络KCNN将其语义表示与知识表示进行融合，得到各个内容对应的KCNN映射结果；

根据所述历史内容和所述候选内容的KCNN映射结果，通过注意力Attention机制确定各个候选内容的得分，所述候选内容的得分表示所述候选内容被所述用户点击的概率；

将得分最高的N个候选内容推荐给所述用户，其中，N≥1。

2.根据权利要求1所述的方法，其特性在于，所述使用KCNN将其语义表示与知识表示进行融合，具体包括：

对于每一个待处理的内容，将所述内容中的词和知识图谱中的实体进行实体链接；

在所述知识图谱中为每个所述实体向量进行上下文向量映射；

对所述内容的词表示和知识表示进行融合，得到所述内容的融合了知识的向量表示；

将所述融合了知识的向量表示传入卷积神经网络CNN中进行处理，得到所述内容的KCNN映射结果。

3.根据权利要求2所述的方法，其特征在于，所述将所述内容中的词和知识图谱中的实体进行实体链接，具体包括：

将所述内容标题中的每一个词映射为对应的词向量；

将所述词向量和知识图谱中的实体向量一一对应，如果所述词向量在所述知识图谱中没有与之对应的实体，则用0向量填充。

4.根据权利要求3所述的方法，其特征在于，所述内容的融合了知识的向量表示为以下矩阵：

W＝[w1g(e1)g(ē1)][w2g(e2)g(ē2)]...[wng(en)g(ēn)]

g(e)＝tanh(Me+b)

其中，wi是词向量，ei是实体向量，ēi是上下文向量，i∈[1,n]；

g(e)是一种非线性转换函数，用于将知识图谱的中的实体向量和上下文向量转化为词向量的格式；

ēi采取与对应实体相邻的向量均值。

5.根据权利要求2至4任一项所述的方法，其特征在于：

在所述CNN中进行处理时，从所述特征值中取最高的K个特征值，并保留特征值的先后顺序，其中，K≥2。

6.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述历史内容和所述候选内容的KCNN映射结果，通过注意力Attention机制确定各个候选内容的得分，具体包括：

以一个历史内容与一个候选内容的KCNN映射结果作为输入；

将所述两个KCNN映射结果进行全连接，然后使用深度神经网络作为Attention网络对所述全连接的结果进行处理，并对所述处理的结果进行规格化；

将所述规格化的结果输出为所述一个历史内容对所述一个候选内容点击率的影响权重；

对于各个候选内容，将每一个历史内容的KCNN映射结果和该历史内容对所述候选内容的点击率的影响权重进行加权平均，将所述加权平均的结果作为所述候选内容的得分。

7.根据权利要求6所述的方法，其特征在于：

用softmax函数进行所述规格化，公式为：

上述公式表示历史内容tⁱ_k对候选内容t_j的点击率的影响权重，其中：

tⁱ_k是编号为k的历史内容，t_j是编号为j的候选内容，H是深度神经网络。