[发明专利]一种基于知识图谱偏好传播的协同推荐模型构建方法

说明书

一种基于知识图谱偏好传播的协同推荐模型构建方法，包括以下步骤：(1)利用本体建模工具进行知识建模，抽取实体和关系得到三元组，构建领域知识图谱；(2)通过偏好传播模型获取用户的多层偏好，根据用户的多层偏好计算用户偏好的向量表示；(3)基于用户‑物品交互矩阵学习物品的向量表示，将用户的偏好向量表示和物品的隐向量表示做点积运算计算用户对物品点击概率；(4)根据点击概率将用户感兴趣的物品召回，将召回结果跟用户交互列表对比，排除用户操作过的物品后做降序排序，获得推荐列表。本发明提出的推荐模型能够充分利用知识图谱的路径结构信息，提高推荐结果的可解释性和多样性。

技术领域

本发明涉及知识图谱、机器学习、个性化推荐等领域，具体给出了一种基于知识图谱偏好传播的协同推荐模型构建方法。

背景技术

互联网技术的快速发展为人们的工作和生活带来很多便利，但同时也带来了信息过载的问题。推荐技术能够为用户提供个性化服务，通过联系用户和物品，解决信息过载的问题。

传统推荐技术主要分为基于内容的推荐技术、基于协同过滤的推荐技术和混合推荐技术。基于内容的推荐技术利用历史行为内容，通过分析已购买、已评价过的物品的离散特征为用户推荐类似的对象。协同过滤推荐技术则根据相似用户的相似决策建立模型，但过于稀疏的矩阵建模会极大的增加算法的过拟合风险，同时对于新加入的用户或物品系统因为没有历史交互信息，也无法进行建模和推荐。矩阵分解算法、因子分解机模型、循环神经网络模型等混合推荐技术在解决数据稀疏问题方面有了比较理想的改进，但往往可解释性不好。本发明尝试将先验知识作为辅助信息引入推荐系统，利用知识图谱辅助推荐，在解决数据稀疏和冷启动问题的同时增加推荐结果的可解释性。

知识图谱(Knowledge Graph，KG)是Google在2012年提出的，它本质是一种语义网络，以结构化三元组的形式存储现实世界中的实体和关系，能够融合语义、上下文和异构特征信息，天然具有可解释性。基于知识图谱进行推荐能够充分利用用户和物品更丰富的先验信息，从而有效的提高推荐的准确性，利用知识图谱的多维度远距离关联可解决推荐结果不可解释的问题。

知识图谱辅助推荐的方法大致可归纳为三类：基于知识表示的方法，基于路径的方法，混合的方法。基于知识表示的方法是先将知识图谱的节点和关系通过KGE(KnowledgeGraph Embedding)的方式映射到低维的向量空间，得到向量表示，然后再融合到推荐模型中。Zhang F等人提出的CKE(ACM SIGKDD Conference on Knowledge Discovery and DataMining,2016)模型将知识图谱的结构信息、文本信息和图片信息融合到贝叶斯框架中来获得物品的语义表示，采用TransR来得到实体的向量特征，然后再融合到协同过滤模型中进行推荐。Wang等人提出的新闻推荐模型DKN(The Web Conference，2018)将新闻标题的词向量、实体向量(通过知识图谱表示算法学习得到)和实体上下文向量作为多个通道(类似于图像中的红绿蓝三通道)，然后通过卷积神经网络进行融合，以获得新闻标题的最终表示，从而进行新闻推荐。