[发明专利]一种知识增强的推荐方法和系统

说明书

本发明公开了一种知识增强的推荐方法和系统。该方法包括：针对评论文档，提取全局层次的语义向量表示和语句层次的隐含向量表示，获得层次化的语义表示；利用知识库，检索与评论文档关联的语义知识，形成关联语义知识表示；融合所述层次化语义知识和所述关联语义知识表示，得到用户的语义知识增强表示、物品的语义知识增强表示以及用户‑物品交互的语义知识增强表示；基于神经协同过滤框架，融合所得到的用户的语义知识增强表示、物品的语义知识增强表示以及用户‑物品交互的语义知识增强表示，利用层次化的用户‑物品交互机制预测交互评分，以生成物品推荐结果。本发明层次化地模拟用户‑物品交互实现推荐预测，提供高质量的推荐结果。

技术领域

本发明涉及计算机技术领域，更具体地，涉及一种知识增强的推荐方法和系统。

背景技术

随着互联网和信息技术的发展，信息爆炸的问题越来越严峻，导致有用的信息被淹没在日益膨胀的信息流中。针对信息爆炸或信息过益的问题，推荐系统起到至关重要的作用，是解决信息过益的有效工具。推荐系统利用用户、物品的历史数据和各种类型的其他知识，根据用户所处的环境和需求采用不同的推荐方法为用户推荐新物品。推荐系统具有非常广泛的应用价值，在电子商务平台如Amazon、淘宝等扮演着非常重要的角色，在多媒体平台如Nextfix、Youtube、腾讯视频等提供给用户不可或缺的推荐服务。

传统的推荐方法通常包括基于内容的推荐方法和协同过滤方法。基于内容的推荐方法依赖可能的内容信息，例如用户的个人信息或推荐物品的描述内容信息等，来估计用户的行为模式并进行相关的推荐。协同过滤方法是通过分析大众的行为模式，利用兴趣相似或拥有相同经验的群体喜好来近似目标用户的兴趣。协同过滤包括基于存储的方法和基于模型的方法等。基于存储的方法是利用用户的历史行为数据，计算相似度或相关性而进行推荐，例如基于用户的协同过滤算法。基于模型的方法是设计机器学习的模型挖掘用户行为中的行为模式来进行推荐，经典的方法包括矩阵分解(Matrix factorization)、概率矩阵分解(Probabilistic Matrix Factorization)等。

近年来，基于深度学习的推荐方法引起了学术界和工业界的广泛兴趣。例如，一项研究成果利用深度学习模型自编码器来学习用户或物品的特征表示，然后用协同过滤来学习和挖掘用户的行为模式。一项研究成果提出了一种可以融合协同过滤和半监督学习的深度神经网络结构，协同过滤和半监督学习联合训练实现推荐预测。另一项研究成果针对Top-N(前N个)物品推荐任务，提出神经协同推荐算法实现用户行为交互评分预测。

然而，传统的推荐方法主要是利用协同过滤的思想对个人喜好进行预测，无法准确地表示用户偏好，同时由于用户显示交互数据少，数据稀疏，导致推荐性能较低。而基于深度学习的推荐方法可以提取深层信息特征形成高层次的抽象表示，但是严峻的数据稀疏问题仍然影响推荐算法的性能，无法生成高质量的推荐结果。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种知识增强的推荐方法和系统，利用外部知识库在用户、物品、用户-物品交互三方面进行知识增强，学习用户行为的知识增强表征，缓解数据稀疏的影响，解决冷启动问题。

根据本发明的第一方面，提供一种知识增强的推荐方法。该方法包括以下步骤：

步骤S1：针对评论文档，提取全局层次的语义向量表示和语句层次的隐含向量表示，获得层次化的语义表示；

步骤S2：利用知识库，检索与评论文档关联的语义知识，形成关联语义知识表示；

步骤S3：融合所述层次化语义知识和所述关联语义知识表示，得到用户的语义知识增强表示、物品的语义知识增强表示以及用户-物品交互的语义知识增强表示；

步骤S4：基于神经协同过滤框架，融合所得到的用户的语义知识增强表示、物品的语义知识增强表示以及用户-物品交互的语义知识增强表示，利用层次化的用户-物品交互机制预测交互评分，以生成物品推荐结果。