[发明专利]一种融合知识图谱和用户交互的图模型智能商品推荐方法

权利要求书

1.一种融合知识图谱和用户交互的图模型智能商品推荐方法，其特征是按如下步骤进行：

步骤1、采集用户对商品的历史交互记录数据并进行预处理，形成交互数据集L用于训练模型，将用户和商品视为两类不同的节点，历史交互记录视为用户节点和商品节点之间的一条边，从而构建用户-商品的交互二分图G_I；

步骤2、收集交互数据集L中商品所拥有的属性信息以及商品与属性之间、属性与属性之间的关联信息，利用先验知识，构建包含商品节点、商品自身各种属性节点及关联信息的知识图谱G_K；

步骤3、统计交互数据集L中用户数量m，知识图谱G_K中实体节点数量n，知识图谱G_K中关联类型数量h，设置潜在语义特征向量的维度为d，利用随机初始化的方法构建m×d维的用户特征矩阵U、n×d维的实体节点特征矩阵E以及h×d维的关联类型特征矩阵R，并将用户、实体节点和关联类型按照序号分别映射为相应特征矩阵中的特征向量；

步骤4、在知识图谱G_K上搭建基于注意力机制的知识图卷积网络；

步骤4.1、针对任一用户节点u和商品节点i，将用户特征矩阵U中用户u的特征向量p_u和实体节点特征矩阵E中商品i的特征向量q_i作为输入，利用式(1)和式(2)分别量化知识图谱G_K中与商品i有相连关系的第j个属性节点n_j的属性因子和关联因子

式(1)中，是知识图谱G_K中与商品i有相连关系的第j个属性节点n_j的特征向量，W₁和W₂是两个可训练的参数矩阵，LeakyRelu(·)是非线性的激活函数；

式(2)中，是商品节i与第j个属性节点n_j之间关联类型的特征向量；

步骤4.2、利用式(3)得到第j个属性节点n_j需要传递给商品i信息的权重

式(3)中，M(i)是知识图谱G_K中商品节点i所有关联属性节点的集合；

步骤4.3、利用式(4)构建知识图卷积网络，得到融合商品节点i所有属性节点的商品特征向量

步骤5、根据交互二分图G_I，利用式(5)构建二次知识传播网络，得到融合用户u所有交互过的商品信息的用户特征向量

式(5)中，N(u)为用户u交互过的商品组成的集合；

步骤6、利用式(6)计算用户节点u和商品节点i在未来产生交互的概率

步骤7、利用式(7)构建LogLoss损失函数，并用于迭代训练模型，使得LogLoss损失函数不断下降直至收敛，从而得到最终有效的用户特征矩阵U^*、实体节点特征矩阵E^*、关联类型特征矩阵R^*：

式(7)中，N表示交互数据集L的交互记录数量，Y⁺表示交互数据集L中有效的用户商品历史交互数据并作为训练的正样本，Y^-表示与正样本数量相同的随机采样的未产生交互的用户-商品二元组集合，并作为训练的负样本，λ是正则化的系数，θ是模型中所有需要训练的参数，包括用户特征矩阵U、实体节点特征矩阵E、关联类型特征矩阵R以及参数矩阵W₁和W₂；

步骤8、根据最终有效的用户特征矩阵U^*和实体节点特征矩阵E^*，对某一个目标用户，通过式(6)计算所有目标用户对未曾交互过的商品未来可能发生交互的概率，并推荐概率排名靠前的商品给目标用户，从而完成商品推荐任务。