[发明专利]基于图神经网络和知识图谱结合的文化资源推荐方法

说明书

本发明公开了基于图神经网络和知识图谱结合的文化资源推荐方法，包括构建推荐模型MKB，将用户集U和物品集V输入至推荐模型MKB中，得到输入用户和物品交互数据和知识图谱数据，并对其进行数据预处理，获取用户、物品和知识图谱三元组信息；利用二部图神经网络提取用户向量矩阵和物品初始化向量矩阵，深度挖掘用户和物品交互数据，增强特征向量表示，同时使用知识图谱特征学习实现物品信息与知识图实体信息的交互，解决实际应用中冷启动和稀疏性问题。本发明在提取特征向量时，同时考虑用户和物品交互数据的显示和隐式关系，使得特征向量表示更加准确，并结合知识图谱技术，丰富物品特征向量信息，从而有效提高了推荐系统的性能。

技术领域

本发明属于推荐系统领域，具体涉及基于图神经网络和知识图谱结合的文化资源推荐方法。

背景技术

随着互联网技术的普及，产生了海量的数据，与以前不同的是，现在不是缺乏信息，而是如何从海量信息中筛选出有用的信息。推荐系统模型可以根据用户的日常行为习惯，探索用户的兴趣，将合适的内容推荐给用户。通过将深度学习和推荐算法结合取得了不错的成果，为了进一步提高推荐系统的准确性，在推荐模型中引入辅助信息，进一步完善用户或者物品的信息，辅助信息包括物品特征、物品关联等等。除了引入用户或者物品相关的属性信息以外，其他数据信息也可以作为辅助信息，如知识图、社交网络等。将知识图作为辅助信息，在一定程度上解决冷启动问题，用户、物品信息本质上可以看作是图结构数据，可以采用图神经网络算法进行数据处理，将知识图谱或者图神经网络引入推荐系统是现在的研究热点之一。

目前推荐方法被广泛的使用，主要包括基于内容的推荐、协同过滤推荐等。基于内容的推荐系统根据用户以往喜欢的物品来推荐可能感兴趣的新的商品。协同过滤推荐算法是应用最广泛的算法，主要是通过对用户历史数据的挖掘，进行用户群组划分，并以此推荐品味相似的商品。协同过滤算法主要分为基于邻域的、隐语义分析及基于图的算法。基于图的算法将用户的相关数据表示成图的形式，再借助图相关知识进一步处理。

除了引入用户或者物品相关的属性信息以外，其他数据信息也可以作为辅助信息，如知识图、社交网络等。将知识图作为辅助信息，在一定程度上解决冷启动问题，用户、物品信息本质上可以看作是图结构数据，可以采用图神经网络算法进行数据处理，将知识图谱或者图神经网络引入推荐系统是现在的研究热点之一。

现有技术提出了一种处理超大量用户的协同过滤方法，该方法处理过程如下：(1)构建一个分布式哈希表覆盖网格，代理把用户对项目的评分哈希到整个网络并获取与之相似的用户(2)代理对取回来的相似用户评分数据，使用协同过滤得到预测值，产生推荐。这类方法存在一些问题：常存在稀疏性和冷启动问题，随着数据量的增大和数据稀疏性增加，该类方法最终表现效果不佳。

发明内容

基于现有技术的不足，本发明提出基于图神经网络和知识图谱结合的文化资源推荐方法。

基于图神经网络和知识图谱结合的文化资源推荐方法，包括如下几个步骤：

步骤1：将用户集U和物品集V输入至推荐模型MKB中，得到输入用户和物品交互数据和知识图谱数据，并对其进行数据预处理，获取用户、物品和知识图谱三元组信息；所述推荐模型MKB由模型MKR结合二部图神经网络Bine得到，包括推荐模块、交叉单元和知识图谱模块；

步骤1.1：推荐模型MKB的输入包括用户集U和物品集V，用户物品交互集表示为：C_uv＝1表示该用户点击或者浏览过物品，反之为0则表示用户与该物品没有任何交互；知识图谱使用三元组(h,r,t)表示，h和t分别表示知识图谱中的头部实体和尾部实体，r表示关系；推荐的目标在于求得用户u是否对某一个未交互的实体v感兴趣；最终得到用户物品历史交互数据和知识图谱数据；

步骤1.2：将用户和物品交互信息数据与知识图谱相结合，提取出用户、物品和知识图谱三元组信息，使用这些信息作为推荐模型训练的输入信息，实现逻辑，具体为：