[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

说明书

本发明涉及一种基于知识图谱表示学习的相似人物推荐方法，采用全新设计策略，包括社交用户信息处理、表示学习模型训练、实体关系向量中人物点向量的聚类索引、相似人物推荐，其中，采用TransD表示学习算法对知识图谱中全量实体、关系进行知识表示学习，更深层次挖掘图谱中隐含的语义信息；对于大规模的人物点向量，采用Annoy快速计算距离算法进行相似人物的聚类，由于实体关系向量考虑了图谱中的语义，为聚类提供了强有力的信息支撑；并且针对社交知识图谱增量更新情况，设计表示学习推荐算法进行周期性训练，保持推荐结果的鲜活性；整个设计方法能够有效提高人物相似度检测精度，获得更加准确的相似人物推荐效果。

技术领域

本发明涉及一种基于知识图谱表示学习的相似人物推荐方法，属于知识图谱表示学习技术领域。

背景技术

随着移动互联网的兴起，社交网络成为移动互联网的典型产物，加强了人与人之间的密切交流，而人物推荐在社交网络中也起着至关重要的作用。

现有技术中存在一些人物推荐方法：

1.基于PageRank算法的网络个性化推荐方法：从网页配置文件中获取组及其组员之间的好友关系，建立每个组员的个人喜好模型。采用PageRank算法，迭代计算组员对组的影响力，从而得到整个组的喜好模型，利用该模型对组进行对象的推荐。

2.社会网络中的弱关系人物推荐算法：根据社会学理论，定义网络中的强弱关系，利用社区划分算法识别强弱关系，通过经典人物推荐算验证弱关系对于社会网络信息流通的重要性，并发现推荐网络中和用户联系为弱关系的节点给用户带来多样化的异质信息。

现如今，随着大数据的发展，人际关系网愈发庞大，现有技术对于大规模的社交网络适用性低，庞大的社交网络中存在大量的语义信息，现有技术未能捕捉到社交网络中的语义联系，而人工智能的发展已经迈向了认知智能阶段，认知智能要求机器必须学会处理人类复杂语言并进行知识推理，这对于机器来说十分困难。

发明内容

本发明所要解决的技术问题是提供一种基于知识图谱表示学习的相似人物推荐方法，采用全新设计策略，能够有效提高人物相似度检测精度，获得更加准确的相似人物推荐效果。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于知识图谱表示学习的相似人物推荐方法，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；