[发明专利]一种基于知识感知的新闻推荐方法

说明书

本发明公开了一种基于知识感知的新闻推荐方法，属于人工智能与网络信息大数据技术领域。首先从新闻文本中识别出实体，将其与知识图谱中的实体相匹配，利用知识表示学习模型得到实体和关系的向量表示。然后，用卷积神经网络融合新闻的词向量和实体向量，从中学习新闻的综合特征。对于每个候选新闻，基于用户浏览历史与候选新闻间的相关性，使用注意力网络动态构建用户特征。同时，考虑已点击新闻中的实体与候选新闻中的实体间的路径，利用长短期记忆网络从路径中生成路径特征。最后以候选新闻特征、用户特征和路径特征为输入，用多层感知机制计算用户点击候选新闻的概率，达到推荐目的。本发明能够有效发掘新闻之间的知识关联，显著优于传统方法。

技术领域

本发明涉及一种基于知识感知的新闻推荐方法，属于人工智能与网络信息大数据技术领域。

背景技术

随着移动互联网的普及，越来越多的人选择通过移动互联网获取新闻资讯。对于新闻内容平台来说，构建一个能够捕获用户阅读兴趣并向其推送相关信息的个性化新闻推荐系统，显得至关重要。

一般而言，在新闻推荐场景下，需要注意以下几点：第一，新闻具有很强的时效性，更迭速度很快，基于传统的协同过滤方法并不适用。第二，用户通常会对一些特定话题的新闻内容感兴趣，如何根据用户的浏览历史为用户构建兴趣偏好模型，并在此基础上判断候选新闻是否符合用户偏好，是解决问题的关键。第三，新闻内容中往往包含大量的命名实体，这些实体背后隐含的常识信息，对于建立推荐模型有着很大的帮助。

目前，主流的新闻推荐方法，通常先从新闻文本中提取特征向量来表征该新闻，根据用户点击过的新闻特征构建出用户兴趣特征，并基于这些特征进行推荐。然而，文本特征通常是基于单词在语料库中的共现关系来构建的，无法体现单词背后隐含的知识层面的关联。

发明内容

本发明的目的是为了解决现有的基于文本特征的新闻推荐模型难以捕获文本中隐含的知识关联的问题，创造性地提出一种基于知识感知的新闻推荐方法。

本发明所述方法，首先从新闻文本中识别出实体，将其与知识图谱中的实体相匹配，利用知识表示学习模型得到实体和关系的向量表示。然后，使用一种知识感知的深度网络DKPN(Deep Knowledge Path Network)建立推荐模型。具体地，用一个卷积神经网络来融合新闻的词向量和实体向量，从中学习新闻的综合特征。对于每一个候选新闻，基于用户的浏览历史与候选新闻之间的相关性，使用一个注意力网络动态地构建用户特征。同时，为了更好地刻画用户点击过的新闻与候选新闻之间的关联，额外考虑了已点击的新闻中的实体与候选新闻中的实体之间的路径，利用长短期记忆网络来从路径中生成路径特征。最后，以候选新闻特征、用户特征和路径特征为输入，用一个多层感知机来计算用户点击候选新闻的概率，进而达到推荐目的。

有益效果

本发明方法与现有技术相比，具有如下有益效果：

传统的基于文本特征的新闻推荐方法仅参考了单词在语料库中的共现关系，无法捕获文本中隐含的知识关联，当单词的共现关系不能较好地描述它们之间的关联时，模型的效果会受到限制。而本发明将知识图谱作为辅助信息融合到推荐模型中，能够有效地发掘新闻之间的知识关联，在F1-score、AUC等指标上显著优于传统方法。

附图说明

图1是本方法的流程图；

图2是DKPN模型的整体框架图；

图3是KCNN的结构图；

图4是注意力网络结构图。

具体实施方式

下面结合附图和实施例对本发明作详细说明。

如图1所示，一种基于知识感知的新闻推荐方法，包括以下步骤：

步骤1：将数据集划分为训练集和测试集。