[发明专利]结合显隐式信息的注意力知识网络

说明书

本发明公开了结合显隐式信息的注意力知识网络，主要涉及计算机应用技术领域；包括步骤：S1、收集用户历史行为数据，进行数据处理；S2、使用一个信息共享层，使项目和实体产生特征交互，互补可用信息；S3、在波纹传播层中，输入用户交互的项目表示，然后利用项目和知识图谱中实体的对应关系和知识图谱中实体间的连接关系，在知识图谱中传播用户偏好，最后将扩散得到的实体表示聚合到用户表示；S4、在跨特征融合网络中，在元素级进行特征的显式交互，减少参数数量；S5、最终在预测层，将显隐式信息结合输出点击预测结果；本发明能够提高推荐的准确性，有效缓地解数据稀疏问题。

技术领域

本发明涉及计算机应用技术领域，具体是结合显隐式信息的注意力知识网络。

背景技术

在当今互联网普及的背景下，各类信息和服务呈现爆炸式增长，用户面对海量的数据常常难以选择。而推荐系统(RS)可以解决信息过载的问题，帮助用户寻找感兴趣的信息，其中，协同过滤(CF)是推荐系统中较为经典同时应用最为广泛的技术之一，它利用用户的历史信息以及用户之间的交互，以此利用他们潜在的共同偏好进行推荐。基于协同过滤的方法存在数据稀疏和冷启动的问题，解决这些问题通常的方法是利用与用户和项目相关的信息来补偿稀疏性，如社交网络、用户项目属性、上下文信息等，以此提高推荐性能。

简单地在协同过滤中加入相关信息进行推荐虽然能够在一定程度上提升性能，但是会忽略这些信息之间的联系。而相关信息之间是相互联系的，将这些信息关联起来就可以形成一个知识图(KG)。一般情况下知识图是有向的异构图，图中的节点表示实体(可以是用户或项目)，实体之间的连接称为边表示两个实体之间的关系。知识图在推荐中相较于传统方法通常有着可解释性和扩展能力强等优势。

利用知识图提高推荐性能的相关研究中，基于知识图嵌入(KGE)的方法是其中的一类方法。如深度知识感知网络(DKN)是一种结合了实体嵌入和卷积神经网络CNN的模型，在新闻推荐上有较好的效果。基于嵌入的方法具有较高的灵活性，可以将不同类型信息嵌入模型中，但这些方法在链接预测等图内应用较好，不适合应用在个性化推荐上。另一种是基于路径的方法，如个性化实体推荐(PER)将知识图视为异构信息网络，该模型基于原路径的潜在特征用来表示不同类型关系图上用户和项目的连通性，但是PER模型的图依赖于人工设计，限制了其在不同推荐场景中的应用。RippleNet是一种类似记忆网络的模型，用户的偏好在KG中进行传播，涉及到用户不同层级的兴趣，然而用户对于不同层级的兴趣不同，该模型不能精确的区分不同层级用户兴趣的变化。在实际的推荐任务中还面临着如何将知识图更好地融合进推荐场景中，如何设计KGE方法使其在低维空间中更好的表示KG等问题，这成为目前亟需解决的问题。

发明内容

本发明的目的在于解决现有技术中存在的问题，提供结合显隐式信息的注意力知识网络，充分利用知识图谱中丰富的语义信息，获得实体和项目的隐语义，在训练过程中自动传递交互信息，能够提高推荐的准确性，有效缓地解数据稀疏问题。

本发明为实现上述目的，通过以下技术方案实现：

结合显隐式信息的注意力知识网络，包括步骤：

S1、收集用户历史行为数据，进行数据处理，并将推荐系统中的项目和知识图谱中的实体对应起来，利用用户历史交互的项目在知识图谱中对应的实体，在知识图谱中向外延申，并使用一个多头注意力机制为实体分配不同的权重；

S2、使用一个信息共享层，使项目和实体产生特征交互，互补可用信息；

S3、在波纹传播层中，输入用户交互的项目表示，然后利用项目和知识图谱中实体的对应关系和知识图谱中实体间的连接关系，在知识图谱中传播用户偏好，最后将扩散得到的实体表示聚合到用户表示；

S4、在跨特征融合网络中，在元素级进行特征的显式交互，减少参数数量；

S5、将获得的用户和项目的增强嵌入表示进行点积得到用户对项目的预测结果，最终在预测层，将显隐式信息结合输出点击预测结果。