[发明专利]一种基于知识图谱的长尾推荐计算方法

权利要求书

1.一种基于知识图谱的长尾推荐计算方法，其特征在于，包括以下步骤：

(1)采集一批包含用户、商品以及商品评分的商品购买记录，获取包含商品属性名和商品属性值的商品属性；

(2)根据商品属性构建商品知识图谱，以商品作为头实体，以商品属性作为关系，以商品属性值作为尾实体，构建商品知识图谱，并基于商品知识图谱学习商品的嵌入表示；

(3)根据商品购买记录和长尾比例t划分为头部用户和长尾用户，t取值为[0,1]；

(4)初始化头部用户的初始向量表示，并根据购买记录，基于初始向量表示学习头部用户在推荐空间的嵌入表示，具体在样本集上根据以下损失函数学习头部用户在推荐空间的嵌入表示：

其中，为训练头部用户时的损失函数，U_head为头部用户在推荐空间的嵌入表示，V表示商品的嵌入表示，R_head表示头部用户的商品评分矩阵，λ表示超参数，上标T表示转置，||·||表示矩阵的Frobenius范数；

(5)根据购买记录计算得到头部用户和长尾用户在喜好空间的嵌入表示，具体根据以下计算头部用户和长尾用户在喜好空间的嵌入表示：

其中，表示用户i在喜好空间的嵌入表示，v_j表示商品j的嵌入表示，表示用户i对商品的评分向量，r_ij表示用户i对商品j的评分，来自于评分向量

(6)以头部用户在推荐空间的嵌入表示作为数据基础，对头部用户进行聚类，将具有相似喜好的头部用户组成喜好群组，并将聚类中心对应的嵌入表示作为喜好群组的原型用户向量表示；

(7)针对待推荐长尾用户，根据喜好空间的嵌入表示计算长尾用户最接近的头部用户，并将该头部用户所在喜好群组的原型用户向量表示作为待推荐长尾用户在推荐空间的嵌入表示，并以待推荐长尾用户在推荐空间的嵌入表示与商品嵌入表示的内积作为商品的推荐指标。

2.如权利要求1所述的基于知识图谱的长尾推荐计算方法，其特征在于，采用transE对商品知识图谱进行学习获得商品的嵌入表示。

3.如权利要求1所述的基于知识图谱的长尾推荐计算方法，其特征在于，步骤(3)中，根据商品购买记录，统计每个用户的购买记录数量，并对购买记录数量进行降序排列，根据预设的长尾比例t，将排序序列中最后n*t个用户被认为是长尾用户，其他用户为头部用户，n为商品购买记录中获取用户总个数。

4.如权利要求1所述的基于知识图谱的长尾推荐计算方法，其特征在于，步骤(6)中，采用Kmeans聚类方法对头部用户进行聚类。

5.如权利要求1所述的基于知识图谱的长尾推荐计算方法，其特征在于，步骤(7)中，根据计算喜好空间的嵌入表示计算长尾用户与所有头部用户的欧式距离，并选择最小欧式距离对应的头部用户作为最接近的头部用户。

6.如权利要求1所述的基于知识图谱的长尾推荐计算方法，其特征在于，当获得商品的推荐指标后，根据商品的推荐指标大小进行商品推荐。