[发明专利]一种基于知识图谱的新颖性增强推荐方法

权利要求书

1.一种基于知识图谱的新颖性增强推荐方法，其特征在于，包括如下步骤：

步骤1：对原始数据集中的用户物品交互数据以及知识图谱数据进行预处理，并将处理后的用户物品交互数据集划分为训练集、验证集和测试集；

步骤2：构建基于知识图谱的新颖性增强推荐网络模型，将用户物品交互数据集的训练集样本、验证集样本及处理后的知识图谱数据批量随机地送入新颖性增强推荐网络模型中，开始迭代模型训练过程，计算新颖性增强推荐网络模型在训练集与验证集上的推荐效果，当验证集上的推荐效果不再上升或者迭代达到目标次数后停止，保存验证集上推荐效果最优的新颖性增强推荐网络模型；

步骤3：加载保存的最优新颖性增强推荐网络模型，将测试样本批量送入该新颖性增强推荐网络模型中，得到新颖性推荐结果。

2.根据权利要求1所述的基于知识图谱的新颖性增强推荐方法，其特征在于，对于数据的预处理包括赋予物品、用户以及知识图谱中实体、关系独热编码，并将用户的历史交互物品处理为固定格式。

3.根据权利要求1所述的基于知识图谱的新颖性增强推荐方法，其特征在于，新颖性增强推荐网络模型包括知识图谱嵌入学习模块、协同过滤分支预测模块、知识图谱分支预测模块、双分支交互模块、双分支联合预测模块以及损失权重函数模块；其中，

知识图谱嵌入学习模块通过嵌入学习方法学习知识图谱中实体、关系的嵌入表示；

协同过滤分支预测模块以目标用户以及目标物品的独热编码为输入，训练和学习目标用户以及目标物品的协同过滤表示，得到协同过滤分支模块下的预测分数；

知识图谱分支预测模块以用户的历史交互物品为输入，经过知识图谱嵌入学习模块后得到图谱特征表示，再经过编码器编码得到用户的兴趣偏好表示，并与候选物品的图谱表示进行计算得到知识图谱分支模块下的预测得分；

双分支交互模块，将头部物品的协同过滤特征表示为监督信号指导知识图谱中头部物品的图谱表示学习，并使长尾物品随着图谱嵌入表示学习，从而获得准确的图谱表示；

双分支联合预测模块，通过定义物品新颖性度量以结合协同过滤分支模块以及知识图谱分支模块的预测得分进行联合预测；

损失权重函数模块通过知识图谱分支得到用户的兴趣偏好表示，通过定义用户新颖性偏好度量计算用户的新颖性偏好，通过定义权重函数融入用户的新颖性偏好和兴趣偏好，将计算得到的权重作为样例的损失权重函数，通过损失权重函数调整新颖性增强推荐网络模型的预测损失函数，并对模型参数进行优化。

4.根据权利要求3所述的基于知识图谱的新颖性增强推荐方法，其特征在于，知识图谱嵌入学习模块学习知识图谱中实体、关系的嵌入表示的方法为：

采用TransR作为谱嵌入学习方法，对于步骤1得到的知识三元组(h，r，t)，通过嵌入表示层后得到稠密的向量表示e_h，r_r，e_t，真实三元组的置信度得分为：

其中，是关系r下的投影矩阵，g(h，r，t)函数得到的分数用以评估该三元组是否是真实的三元组的可能性；

构建TransR的损失函数如下：

其中，为构建的知识图谱，(h，r，t)为知识图谱真实的正例知识三元组，(h，r，t′)为通过随机采样得到的不存在于知识图谱中的负例知识三元组，σ(·)为Sigmoid激活函数；

使用TransR作为正则器对知识图谱进行训练，得到具有隐含语义的实体、关系的嵌入向量表示。

5.根据权利要求3所述的基于知识图谱的新颖性增强推荐方法，其特征在于，协同过滤分支预测模块预测分数的方法为：

协同过滤分支预测模块以目标用户i以及目标物品j的独热编码作为输入，经过嵌入层后得到用户i的协同特征与物品j协同特征通过点积得到协同过滤分支下用户i对物品j的预测分数，公式如下：

式中，σ(·)表示Sigmoid激活函数。