[发明专利]基于深度学习与知识图谱融合的在线推荐系统

权利要求书

1.一种基于深度学习与知识图谱融合的在线推荐系统，其特征在于，包括：

知识图谱构建模块，配置为根据用户实体、产品实体、渠道实体以及各实体之间的关联关系构建知识图谱；

模型建立模块，配置为根据所述知识图谱建立深度学习模型，所述深度学习模型包括深度学习单元和线性子模型；

推荐模块，配置为根据所述用户实体、所述产品实体和/或所述渠道实体采用所述深度学习模型进行预测得到推荐预测值，根据所述推荐预测值完成在线推荐；

数据传输模块，配置为完成所述在线推荐系统中所有数据的传输；以及

客户端，配置为使用户和所述在线推荐系统进行交互。

2.如权利要求1所述的基于深度学习与知识图谱融合的在线推荐系统，其特征在于，所述各实体之间的关联关系包括：

用户实体与产品实体之间的关联关系、用户实体与渠道实体之间的关联关系、产品实体与渠道实体之间的关联关系、不同用户实体之间的关联关系、不同产品实体之间的关联关系以及不同渠道实体之间的关联关系。

3.如权利要求1所述的基于深度学习与知识图谱融合的在线推荐系统，其特征在于，

所述用户实体包含用户的基本信息和用户标签数据，所述用户标签数据包括用户所处时期、用户偏好以及社交网络；

所述产品实体包含产品的基本信息和产品标签数据，所述产品标签数据包括产品风险等级、产品募集方式以及产品基金公司；

所述渠道实体包括线上交易和线下交易的渠道实体。

4.如权利要求1所述的基于深度学习与知识图谱融合的在线推荐系统，其特征在于，建立深度学习模型的方式为：

分别提取所述知识图谱中的连续特征和类别型特征；

将提取的特征进行组合；

对组合后的特征进行抽象处理和线性划分，得到不同类型的数据；

对得到的不同类型的数据进行深度学习形成深度学习单元；

由深度学习单元和线性子模型的结果得到深度学习模型。

5.如权利要求4所述的基于深度学习与知识图谱融合的在线推荐系统，其特征在于，

类别型特征包括高维稀疏特征和低维稠密特征。

6.如权利要求5所述的基于深度学习与知识图谱融合的在线推荐系统，其特征在于，所述深度学习单元将提取的所述高维稀疏特征转换为低维稠密特征，以增加用户实体、产品实体以及渠道实体之间关联关系。

7.如权利要求5所述的基于深度学习与知识图谱融合的在线推荐系统，其特征在于，建立线性子模型的方式为：

分别提取所述知识图谱中的连续特征和低维稠密特征；

将提取的连续特征进行分箱处理；

根据分箱处理后的连续特征和提取的低维稠密特征建立线性子模型。

8.如权利要求4所述的基于深度学习与知识图谱融合的在线推荐系统，其特征在于，在得到深度学习模型之前，还包括以下步骤：采用损失函数对所述深度学习单元和所述线性子模型的参数进行优化调整。

9.如权利要求8所述的基于深度学习与知识图谱融合的在线推荐系统，其特征在于，对所述深度学习单元和所述线性子模型的参数进行优化调整的方式为：

将深度学习单元和线性子模型的对数进行加权得到模型预测值；

将所述模型预测值推送到所述损失函数中，通过所述损失函数的最小批随机梯度对深度学习单元和线性子模型的参数进行动态调整，确定合适的参数以形成最终的深度学习模型。

10.如权利要求1所述的基于深度学习与知识图谱融合的在线推荐系统，其特征在于，所述客户端还配置为当用户触发栏位机制时，为用户提供在线推荐的推荐结果。