[发明专利]一种基于知识图谱表示学习的相似人物推荐方法

权利要求书

1.一种基于知识图谱表示学习的相似人物推荐方法，其特征在于，基于包含各用户分别所对应各指定社交属性信息的社交知识图谱，按预设周期执行如下步骤A至步骤E，获得社交知识图谱中用户的聚类结果；进而按如下步骤I至步骤IV，针对社交知识图谱中的待推荐目标用户，实现社交知识图谱中与之相似用户的推荐；

步骤A.针对社交知识图谱中各用户分别所对应的各指定社交属性，执行RDF数据提取，获得各用户分别所对应的社交属性RDF数据，然后进入步骤B；

步骤B.以用户为点、用户彼此之间关系为边，基于各用户分别所对应的社交属性RDF数据，构建各用户分别所对应的点数据，以及各用户之间关系分别所对应的边数据；并进一步基于各点数据与各边数据，构建各个三元组结构数据，然后进入步骤C；

步骤C.构建以三元组结构数据为输入，以包含实体向量与关系向量的实体关系向量为输出的表示学习模型，并应用各个三元组结构数据，结合相应损失函数，针对表示学习模型进行训练，获得实体关系向量获得模型，然后进入步骤D；其中，实体向量中包括各个用户分别所对应的人物点向量；

步骤D.根据各个三元组结构数据，应用表示学习获得的实体关系向量模型，获得实体关系向量中实体向量内各个用户分别所对应的人物点向量，然后进入步骤E；

步骤E.根据人物点向量之间的距离，针对各个人物点向量进行聚类，获得各个聚类、以及各聚类中相应各个用户，构成社交知识图谱中用户的聚类结果；

步骤I.根据社交知识图谱中用户的聚类结果，获得待推荐目标用户所对应的聚类，作为待推荐目标用户所对应的待处理聚类，然后进入步骤II；

步骤II.针对待处理聚类中除待推荐目标用户所对应人物点向量以外的其余各个人物点向量，按其分别与待推荐目标用户所对应人物点向量之间距离，进行由小至大排序，并顺序选择其中前预设第一数量个人物点向量，获得分别所对应的用户，作为各个候选推荐用户，然后进入步骤III；

步骤III.获得各个候选推荐用户分别所对应的各指定社交属性信息，根据待推荐目标用户与候选推荐用户之间分别基于各指定社交属性的相同项比较，结合各指定社交属性分别所对应的预设相似度，获得各个候选推荐用户分别相较待推荐目标用户的相似度，然后进入步骤IV；

步骤IV.按相似度由大至小，针对各个候选推荐用户进行排序，并顺序选择其中前预设第二数量个候选推荐用户，作为与待推荐目标用户相似的各个用户进行推荐。

2.根据权利要求1所述一种基于知识图谱表示学习的相似人物推荐方法，其特征在于：

所述步骤C包括如下步骤C1至步骤C2；

步骤C1.应用TransD算法构建以三元组结构数据为输入，实体关系向量为输出的表示学习模型如下：

h_⊥＝M_rhh，t_⊥＝M_rtt

其中，M_rh为头实体映射矩阵，M_rt为尾实体映射矩阵；h_⊥为三元组结构数据中头实体由M_rh映射后的头实体向量，t_⊥为三元组结构数据中尾实体由M_rt映射后的尾实体向量；h为三元组结构数据中头实体编码所对应的头实体向量，t为三元组结构数据中尾实体编码所对应的尾实体向量；r_p为关系向量，为头实体映射向量，为尾实体映射向量，I^m×n是单位矩阵；

并且构建相应的损失函数如下：

其中，r表示关系向量，l₁表示l₁范数，l₂表示l₂范数，然后进入步骤C2；

步骤C2.按预设学习率、loss值设置、实体和关系的词向量长度、每个批度输入的三元组个数、以及训练轮次，结合损失函数，针对表示学习模型进行训练，获得实体关系向量获得模型。