[发明专利]一种基于知识图谱的新颖性增强推荐方法

说明书

本发明公开了一种基于知识图谱的新颖性增强推荐方法，包括：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；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，迭代结束后保存验证集上最优的新颖性增强推荐网络模型；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。本发明同时将用户兴趣偏好与用户新颖性偏好融合，极大地提升了推荐的准确性和新颖性。

技术领域

本发明属于推荐系统的技术领域，具体涉及一种基于知识图谱的新颖性增强推荐方法。

背景技术

随着互联网的不断发展，网络信息爆炸增长，用户可以接触到海量的数据。然而，繁杂的数据使用户很难快速寻找到自己需要的内容。大量浏览无关内容和长时间低效寻找严重降低了使用者的使用体验，从而导致系统的用户量不断减少。因此，个性化推荐系统由此产生，致力于为用户提供定制化的推荐结果。一个好的推荐系统可以提高企业利润，并给予用户更好的体验感。

推荐系统中存在长尾分布现象，即小部分的热门或头部商品占据了总销量的绝大部分，而大部分长尾物品的销量仅占据总销量的微小部分。常规基于准确率的推荐系统会偏向于推荐热门商品，导致了推荐结果的重复冗余，降低了用户的使用体验也损害了商家的利益。现今，新颖性推荐越来越受到学术界和工业界的关注，已有研究者针对新颖性推荐进行了不错的尝试。然而，在没有引入额外信息的前提下，现有方法只能在头部物品与长尾物品之间做取舍。同时，现有基于用户新颖性偏好的工作思路在于为新颖偏好高的用户推荐新颖程度高的物品，而新颖性推荐的真正目标在于为用户推荐感兴趣的新颖物品，它们忽略了新颖物品是否在用户的兴趣范围内。由于以上原因，现有的新颖性推荐在提高新颖性的同时牺牲了太多的准确率。

基于知识图谱的推荐系统是推荐系统中的一个重要分支。知识图谱将现实中的知识转化为包含实体与关系的知识三元组并形成图的结构，其带有图的结构连通信息以及实体语义信息。现有基于知识图谱的工作大多利用知识图谱解决稀疏性问题和可解释性问题，它们几乎没有区分头部物品和长尾物品，忽视了头部物品与长尾物品对于知识图谱的依赖程度，没有做到将知识图谱与新颖性推荐结合起来。因此，需要开发一种能够利用知识图谱作为辅助信息增强推荐的新颖性推荐方法。

发明内容

本发明的目的在于针对现有技术的不足之处，提供一种基于知识图谱的新颖性增强推荐方法，该方法考虑到了头部物品与长尾物品的区别，并使用知识图谱作为辅助信息，同时将用户兴趣偏好与用户新颖性偏好融合，极大地提升了推荐的准确性和新颖性。

为解决上述技术问题，本发明采用如下技术方案：

一种基于知识图谱的新颖性增强推荐方法，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一定次数后停止，保存验证集上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。

进一步地，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。