[发明专利]一种聚合知识图神经网络和自适应注意力的推荐方法

说明书

本发明提出了一种聚合知识图神经网络和自适应注意力的推荐方法，包括以下步骤：S1，将用户，关系，实体的知识图三元组作为输入，并为其分配初始嵌入表示即用户嵌入表示、关系嵌入表示、实体嵌入表示；S2，利用内积表示该种关系对用户的重要程度；将异构知识图谱转换为一个带权图，然后挑选邻居目标节点并训练其领域嵌入表示；将初始的实体嵌入表示喂进图神经网络训练并产生新的实体嵌入表示；随后聚合得到最终物品嵌入表示；S3，将用户嵌入表示和最终物品嵌入表示的内积作为最终预测评分，并将最高得分所对应的物品推荐给用户。本发明有效解决了矩阵分解算法仅利用用户与物品交互的局限性问题，且在聚合目标节点邻域的矢量表示时考虑了邻居节点。

技术领域

本发明涉及信息处理技术领域，特别是涉及一种聚合知识图神经网络和自适应注意力的推荐方法。

背景技术

在信息超载的时代，推荐系统在各种线上服务中起着举足轻重的作用，旨在为用户推荐感兴趣的物品。矩阵分解作为推荐系统中使用的一种流行技术，利用用户物品评分矩阵作为输入数据，将用户向量和物品向量的内积来模拟用户偏好。但是，评分仅反映用户对商品的整体评价，而不能反映该商品的某个具体方面。因此，矩阵分解(MF)技术无法从物品的各个方面进行用户偏好的细粒度建模，也无法解释推荐结果。

近年来涌现了许多基于知识图谱(KG)的推荐系统的工作，由于KG包含丰富的语义信息并可以表达复杂的用户物品关系。基于嵌入的方法利用知识图嵌入技术将实体和关系映射到低维向量空间，丰富用户和物品的表示。基于路径的方法考虑KG中实体的连通性，并构建用户物品图以提高推荐性能。最近，研究人员以不同的方式融合基于嵌入的方法和基于路径的方法，由于图神经网络(GNN)强大的学习和表示能力，研究人员还在KG中实现了偏好传播，旨在充分挖掘其高阶关系。

近年来，许多研究人员尝试利用知识图谱(KG)结构进行推荐，可以将其分为三种类型：基于嵌入的方法，基于路径的方法和联合的方法。

基于嵌入的方法通常直接利用知识图中的信息来丰富用户和物品的表示。此类方法通常利用知识图嵌入算法(KGE)对知识图谱进行编码以得到物品表示，然后将物品辅助信息融合到推荐框架中。例如，张福征等提出了基于嵌入的协同知识推荐算法(CKE)，该算法将协同过滤(CF)模块与物品的知识嵌入，文本嵌入和图像嵌入相结合。为了捕获用户的动态兴趣，王鸿伟等通过将实体嵌入和词嵌入与卷积神经网络(CNN)结合在一起提出了面向新闻推荐的深度知识网络算法(DKN)，该框架汇总了历史点击序列的嵌入以学习用户表示。王鸿伟等接着提出了用于情感链接预测的异构信息网络嵌入算法(SHINE)，该算法将名人推荐任务看作图中实体之间的情感链接预测任务。还有一些工作试图将用户整合到知识图谱中，如曹一新等提出了基于知识图谱的协同过滤模型(CFKG)，该模型首先构造用户物品知识图谱，并设计了一个度量函数来测量知识图谱中两个实体之间的距离。

基于路径的方法通过探索知识图谱中物品的各种联系以提供推荐。例如，余晓等提出的基于异构信息网络的矩阵分解模型(HeteMF)通过提取不同的元路径并计算各条路径中的物品与物品间的相似度，以增强用户和物品的表示。罗成等进一步考虑用户-用户相似度和用户-物品相似度提出了用于异构信息网络的协同过滤模型(HeteCF)。余晓等接着提出的基于异构信息网络的元路径推荐模型(HeteRec)直接利用元路径相似性来丰富用户-物品交互矩阵，从而更全面地表示用户和物品。随后，俞潇等提出的个性化实体推荐模型(PER)进一步考虑不同元路径的重要性应该针对不同用户而有所不同。为了突破元路径表达能力的限制，赵欢等提出的基于元图的异构信息网络推荐模型(FMG)将元路径替换成元图，该元图包含比元路径更丰富的连通信息，并更准确地捕获实体之间的相似性。另外，为了减少元路径选择的数量，马威志等提出了基于知识图谱的联合学习算法模型(RuleRec)，该模型通过利用KG中实体之间的连通性来学习关联物品之间的关系，有共同点击或共同查看等行为的称为关联物品。