[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

说明书

本申请公开了一种基于知识图谱和图卷积网络的推荐方法及其系统，其中一种基于知识图谱和图卷积网络的推荐方法具体包括以下步骤：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。本申请能够增强用户表示，并通过知识图谱中的不同关系权重聚合传播物品特征，从而探索用户的远程兴趣。

技术领域

本申请涉及大数据领域，具体地，涉及一种基于知识图谱和图卷积网络的推荐方法及其系统。

背景技术

现有技术中，推荐系统已经成为信息爆炸时代克服信息过载问题的最重要的方法，如何精准、快速地预测用户的爱好，推荐给用户最想要的物品，不仅是科学研究领域的重要研究课题，也逐渐成为现实生活中各种电子商务领域成败攸关的核心技术。在众多的推荐方法中，协同过滤方法从用户历史数据来预测用户偏好，具有有效性和普遍性，受到众多研究者的关注。但是，协同过滤方法无法建模辅助信息，例如物品属性、用户配置文件和上下文，因此在用户和物品交互很少的稀疏情况下表现不佳。基于协同过滤的方法同样遭遇到用户物品交互的稀疏性和冷启动的问题。

为了解决这些限制，研究人员通常在推荐系统中引入辅助信息，包括：社交网络，上下文信息，物品属性和图像信息。知识图谱是一个有向异构图，它由大量的实体和关系组成，包含了丰富的语义信息。具体的说，知识图谱的每条边和与其相连的两个结点，都可以使用三元组(头实体,关系,尾实体)的形式来表达，其中，与边相连的结点称为实体，这条边称为关系，它表示头实体和尾实体通过关系相连接，这个三元组也可以称为事实。由于知识图谱中天然包含了丰富的实体和事实，我们可以很自然地将知识图谱作为一种新型的辅助信息引入推荐系统，从而提高推荐系统的准确性、多样性、可解释性，当前已经成为了研究的热点。

将知识图谱与推荐系统相结合的方法通常有以下几种：(1)基于路径的推荐方法：这种方法是将知识图谱视为一个异构信息网络，然后构造用户和物品之间的元路径或元图特征，充分且直观地利用了知识图谱的网络结构，但是这类方法需要手动设计元路径或者元图，在实践中难以到达最优，同时，也无法在实体不属于同一个领域的场景(例如新闻推荐)中应用，因为我们无法为这样的场景预定义元路径或者元图。(2)基于嵌入的推荐方法：这种方法通常直接使用来自知识图谱的信息来丰富物品或用户的表示。大致可以将其分为两类：基于距离的翻译方法(例如：TransE,TrasR)和基于语义的匹配方法(例如：RECASL,DisMult)，但是，这些方法在实体传播方面遭遇到了瓶颈。(3)混合的推荐方法：这种方法将基于路径的推荐方法和基于嵌入的推荐方法结合起来，通过整合实体和关系的语义表示和连接信息，充分利用知识图谱中的信息进行更好的推荐，它是基于嵌入传播的思想，在知识图谱中连接结构的指导下细化实体表示。尽管上述这些方法在推荐系统上取得了不错的成果，但是，由于知识图谱的异构性，充分发挥知识图谱内在的高阶语义信息，并探索与用户之间的关系特征仍然很有挑战性。

因此如何将现有的基于分层的方法和基于深度学习方法有效结合起来，得到准确有效的文本分类，依然是本领域技术人员急需要解决的关键问题。

发明内容

为达到上述目的，本申请提供了一种基于知识图谱和图卷积网络的推荐方法，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。

如上的，其中，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。