[发明专利]一种基于知识图谱和图卷积网络的推荐方法及其系统

权利要求书

1.一种基于知识图谱和图卷积网络的推荐方法，其特征在于，具体包括以下步骤：

获取用户的高阶嵌入表示；

根据用户的高阶嵌入表示，进行物品嵌入表示的获取；

根据获取的用户的高阶嵌入表示和物品嵌入表示，对用户进行预测；

获取用户的高阶嵌入表示具体包括以下子步骤：

获取用户邻接图和用户特征图；

用户特征图

其中,表示物品对用户的特征图，m代表用户集有m个用户，n代表物品集合中有n个物品，[·]表示用户特征图中内容代表元素，y_ij表示用户特征图中的元素，i表示第i个用户，j表示第j个物品，为了更好的表示用户图卷积聚合，将作为用户特征的第0层表示；

使用权重矩阵W和偏置b来增强用户表示,使用函数f_agg来表示图卷积聚合的过程，其中函数f_agg具体表示为：

其中,l为图卷积聚合层数，*代表矩阵的相乘，G_u表示用户邻接图，表示用户特征的第l层表示，b表示用户部分的偏置，W^l-1表示用户特征的第l-1层权重，表示用户特征的第l-1层表示，u表示用户，v表示物品；

根据用户邻接图和用户特征图，获取全部用户特征表示图；

在全部用户特征表示图中，获取用户u的嵌入表示；

根据用户u的特定编号进行查找操作，得到用户u的高阶嵌入表示u具体表示为：

其中，G_u表示用户邻接图，表示重新定义后的f_agg函数，表示用户特征的第l层表示，u表示用户；

其中物品嵌入表示具体表示为：

其中，Q^h-1代表第h-1跳权重矩阵，表示h-1跳邻域传播的实体表示，h表示邻域传播的跳数，σ是sigmoid函数，e为实体表示，ε表示知识图谱中实体的集合，u表示用户u的高阶嵌入表示，c表示物品部分的偏置，r_i表示实体e与第i个邻域的关系。

2.如权利要求1所述的基于知识图谱和图卷积网络的推荐方法，其特征在于，获取用户的高阶嵌入表示之前，获取用户与物品交互的行为；

用户与物品交互的行为用矩阵Y∈R^m×n来表示，m代表用户集有m个用户，具体表示为u＝{u₁,u₂,…u_m}；n代表物品集合中有n个物品，具体表示为v＝{v₁,v₂,…v_n}；

通过用户行为矩阵得到用户物品交互矩阵，用户物品交互矩阵Y表示为Y＝{y_uv|u∈U,v∈V}，y_uv表示用户u是否与物品v之间存在交互；

其中，

3.如权利要求1所述的基于知识图谱和图卷积网络的推荐方法，其特征在于，根据用户的高阶嵌入表示，进行物品嵌入表示的获取，具体包括以下子步骤：

确定物品表示输入层；

构建知识图邻域传播层，根据物品表示输入层和知识图邻域传播层获取物品嵌入式表示。

4.如权利要求3所述的基于知识图谱和图卷积网络的推荐方法，其特征在于，将用户u的嵌入表示和知识图谱的0层实体作为物品表示输入层。

5.如权利要求4所述的基于知识图谱和图卷积网络的推荐方法，其特征在于，使用函数f来获取知识图谱的实体之间的不同关系r对用户的重要性，重要性f_i(u，r_i)具体表示为：

其中·表示按元素相乘，r_i表示实体e与第i个邻域的关系，k代表选择邻域的数量，u表示用户，u为用户u的高阶嵌入表示，f_i表示第i个关系对用户u的重要性，exp表示以自然常数e为底的指数函数。