[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

说明书

本发明公开了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，其步骤包括：1、采集用户对商品的历史交互记录数据，构建用户商品交互矩阵Y用于训练推荐模型，并构建用户商品交互二分图；2、采集商品属性特征及属性之间的关联特征，利用先验知识构建知识图谱；3、构建融合知识图谱和用户交互的推荐模型，选取合适的损失函数来优化模型参数和特征向量；4、利用推荐模型预测用户对未交互过的商品未来产生交互的概率，选择交互概率最大的商品推荐给用户，从而完成商品推荐任务。本发明结合了知识图谱和交互二分图上的图卷积操作，可以更充分的捕捉知识图谱所携带的语义、结构信息，从而实现更准确的推荐效果。

技术领域

本发明属于基于图卷积的数据挖掘推荐系统领域，主要是涉及一种融合知识图谱知识因子的商品推荐方法。

背景技术

近年来，伴随着互联网技术的快速发展，人们可以接触网络中大量的数据信息，然而随着信息量的逐步发展，人们在享受互联网带来的获取信息的便利的同时，不可避免的陷入了如何快速的从众多信息中找到自己所需的那部分内容，也即信息过载的问题。为了解决信息过载造成的影响，个性化推荐系统逐渐吸引了国、内外的研究者们的广泛兴趣，个性化推荐，旨在为特定用户量身定制其感兴趣的信息内容，自动的推送给用户，减少种类繁多的信息给用户带来的困扰。个性化推荐系统的核心，就是系统内所设计的个性化推荐算法，从已有的用户数据中分析用户行为、建模用户兴趣、挖掘用户需求。

传统的推荐算法使用协同过滤作为基础，它利用用户以往对商品的交互记录(如购买、点击等)，来对用户和商品进行特征建模，将其映射到潜在语义空间中的向量表示，再使用特定操作如内积或神经网络来拟合已有的交互记录，训练得到最佳的特征向量表示。然而，基于协同过滤的推荐方法往往存在一些问题：对于新加入系统的用户，由于数据库中没有他们的历史记录从而无法挖掘出他们的兴趣偏好而无法精准的进行个性化推荐，这被称为冷启动问题；由于用户数目和商品数目的大量增长，单个用户所能交互的商品数量有限，使得交互矩阵中包含大量的空白元素，被称为数据稀疏问题。

为了解决上述一些问题，研究人员通常会使用除了交互历史以外的一些辅助信息，比如商品的固有属性，用户的社交关系等。知识图谱是一种有向信息异构图，内部可以蕴涵现实世界中实体所带有的丰富的语义信息和关联信息，作为推荐系统中的一种有效的辅助信息，近年来被研究者们所青睐。现有的基于知识图谱的推荐方法主要可以分为两类：基于嵌入的方法和基于路径的方法。基于嵌入的方法主要是通过图嵌入的方法对图谱中各种实体和关联关系进行向量建模，进而扩充原有商品和用户表达的语义信息，然而这种方法侧重于对严格的语义关联进行建模，往往忽视了知识图谱中节点自身的属性信息，从而无法准确的建模用户对节点内容属性的偏好，导致推荐的精度降低；基于路径的方法注重于挖掘基于图谱用户、商品之间多种连接关系，提取携带高阶信息的路径并将其输入预测模型，但由于路径的选择对最终性能有很大影响，并且路径的定义需要很大的人工操作和一定的领域知识，在实际情况下，很难得到最优的连接路径，从而无法完全发挥知识图谱在推荐算法中的作用。推荐模型需要同时建模用户和商品，而现有的方法通常只在商品端聚集知识图谱的信息，模型训练出的用户特征向量和商品特征向量之间存在了一定程度的信息隔阂，导致模型预测函数难以准确计算出用户对商品向量中包含的知识信息的偏好程度，降低了推荐模型的质量。

发明内容

针对上述现有技术中存在的诸多问题，本发明提出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，以期能更充分的捕捉知识图谱所携带的语义、结构信息，丰富用户和商品特征向量，从而能提高商品推荐的多样性和精确度。

本发明为了解决技术问题采用如下技术方案：

本发明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的特点是按如下步骤进行：

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；