[发明专利]一种基于知识图谱路径的隐式推荐方法

权利要求书

1.一种基于知识图谱路径的隐式推荐方法，其特征在于，包括如下步骤：

步骤1，在知识图谱中提取用户和候选item之间的路径

首先构建领域知识图谱，将用户的历史记录和领域知识图谱结合，构建适用于推荐任务的知识图谱，然后从知识图谱中提取用户和候选item之间路径；

步骤2，将路径输入注意力知识路径模块AKPM中，捕获知识图谱中用户和候选item之间的显式特征

将步骤1中提取的知识图谱路径输入到注意力知识路径模块AKPM中，首先通过双向长短期记忆神经网络BiLSTM，然后通过注意力模块Attention，得到路径的表示向量，然后将所有路径的表示向量再次输入到Attention模块，得到显式特征向量；

步骤3，将用户的历史交互记录和候选item输入IFEM中，捕获知识图谱之外的隐式特征

使用低维稠密向量表示用户的历史行为记录和候选item，然后计算候选item和用户历史行为记录item之间的相似度，再输入到深度神经网络中，得到隐式特征向量；

步骤4，融合显式和隐式特征向量得到推荐分数

将步骤2和步骤3得到的特征向量拼接，输入到全连接神经网络中，得到最终的推荐得分。

2.如权利要求1所述的基于知识图谱路径的隐式推荐方法，其特征在于，所述步骤1具体包括如下过程：

定义领域知识图谱为KG＝{(h，r，t)|h，t∈E，r∈R}，其中E＝{e₁，e₂，...，e_k}代表实体的集合，R＝{r₁，r₂，...，r_g}代表关系集合，(h，r，t)是三元组，r表示从头实体h到尾部实体t的关系；使用三元组τ＝(u，interact，i)表示用户和item之间存在的历史交互，其中interact是一个预定义的关系，u为用户，i为item；将用户和item之间的交互数据与领域知识图谱结合，得到新的知识图谱为G＝{(h，r，t)|h，t∈E′，r∈R′}，其中E′代表包括用户的新的实体集合，R′代表包括interact的新的关系集合；

提取知识图谱中用户u和item i之间的路径集，将路径集定义为P(u，i)＝{p₁，p₂，...，p_t，...，p_m}，其中p_t表示第t条路径，m代表用户u和item i之间的路径数量，并定义路径的格式如下：其中e₀是user u，e_L是item i，L是路径的长度。

3.如权利要求1所述的基于知识图谱路径的隐式推荐方法，其特征在于，所述步骤2具体包括如下过程：

将步骤1中提取的知识图谱路径转换为序列向量，使用p_k＝{x₁，x₂，...，x_l}表示，其中k是路径集合中的第k个路径，x_l定义如下：

其中e_l∈R^d代表在路径中的实体的向量，e′_l∈R^d代表在路径中的实体类型的向量，r_l∈R^d代表的是实体之间的关系的向量；d是向量的维度，l代表的是路径中第l个节点；代表拼接符号；将p_k输入到注意力知识路径模块AKPM中，首先通过双向长短期记忆神经网络BiLSTM，得到一个序列向量H＝(h₁，...，h_L)，然后通过Attention模块，得到路径的表示向量Attention模块公式如下：

O＝αW_vI

其中I代表输入的矩阵，W_q、W_k、W_v分别是Query，Key和Value的参数矩阵；q∈R^d是可训练的query向量；O是注意力池化输出的向量；得到多条路径的表示向量再次输入到Attention模块中，得到显式特征向量