一种基于知识图谱路径的隐式推荐方法

摘要

本发明提供了一种基于知识图谱路径的隐式推荐方法，包括如下步骤：在知识图谱中提取用户和候选item之间的路径；将路径输入注意力知识路径模块AKPM中，捕获知识图谱中用户和候选item之间的显式特征；将用户的历史交互记录和候选item输入IFEM中，捕获知识图谱之外的隐式特征；融合显式和隐式特征向量得到推荐分数。本发明充分利用用户的行为记录，在捕获用户和候选item之间的显式特征的同时，还能够捕获知识图谱之外item之间的知识图谱之外的隐式特征，将显式和隐式特征融合并用于推荐，相比其他方法，本发明方法推荐准确率高，可解释性好。

说明书

技术领域

本发明涉及一种基于知识图谱路径的隐式推荐方法，属于互联网技术领域。

背景技术

随着互联网的快速发展，数据信息呈现爆炸的增长态势，例如，淘宝、京东、拼多多等电商平台上有成千上万种商品；爱奇艺、腾讯视频、优酷等视频网站上有上万部影视资源；今日头条、新浪网、腾讯新闻等新闻网上有亿条新闻信息。面对如此大的数据量，用户全部浏览一遍是不可能的，因此用户想从中找到自己感兴趣的内容也是非常困难的，这种现象被称为信息过载。推荐系统是解决信息过载问题最有效的工具之一，协同过滤(CF)算法在推荐系统中得到了广泛的应用，它利用用户的历史行为交互，基于用户常见的历史交互进行推荐。

尽管协同过滤方法是有效和通用的，但它不能对边信息建模，如item(例如商品、电影等)的属性、用户信息和上下文信息。研究发现，协同过滤方法主要基于用户与物品之间的交互。如果用户和item交互较少并且稀疏时，它的性能很差。为了解决这一问题，常见的方法是将边信息转换为向量，并将其输入模型以预测得分。但是这些方法的可解释性较差。

最近，随着知识图谱的出现，越来越多的研究者开始关注如果在推荐系统引入知识图谱。知识图谱可以用来发现item之间的共性，也可以使用知识图谱来解决推荐模型可解释性较差的问题。目前基于知识图谱的推荐系统做法有两种，基于图嵌入的方法和基于路径的方法。基于图嵌入的方法主要是基于知识图谱，学习item和user的向量，从而计算两者相似度进行推荐，例如，RippleNet，KGCN和KGAT等方法。基于路径的方法主要是通过计算用户和item之间连接的元路径的相似度，例如：PER，HeteCF和SemRec等方法。但是这类模型仍有问题，它们只能捕获知识图谱中包含item的显式特征，难以发现知识图谱之外item之间的隐式特征。

发明内容

针对目前基于知识图谱推荐的方法难以捕获知识图谱之外item之间的隐式特征的问题，本发明提出一种基于知识图谱路径的隐式推荐方法，利用深度学习技术，对知识图谱中用户和候选item之间的路径建模，捕获用户和候选item之间的显式特征，并能够捕获item之间的知识图谱之外的隐式特征，最后将隐式特征和显式特征拼接，输入到全连接神经网络，得到推荐分数。

为了达到上述目的，本发明提供如下技术方案：

一种基于知识图谱路径的隐式推荐方法，包括如下步骤：

步骤1，在知识图谱中提取用户和候选item之间的路径

首先构建领域知识图谱，将用户的历史记录和领域知识图谱结合，构建适用于推荐任务的知识图谱，然后从知识图谱中提取用户和候选item之间路径；

步骤2，将路径输入注意力知识路径模块AKPM中，捕获知识图谱中用户和候选item之间的显式特征

将步骤1中提取的知识图谱路径输入到注意力知识路径模块AKPM中，首先通过双向长短期记忆神经网络BiLSTM，然后通过注意力模块Attention，得到路径的表示向量，然后将所有路径的表示向量再次输入到Attention模块，得到显式特征向量；

步骤3，将用户的历史交互记录和候选item输入IFEM中，捕获知识图谱之外的隐式特征

使用低维稠密向量表示用户的历史行为记录和候选item，然后计算候选item和用户历史行为记录item之间的相似度，再输入到深度神经网络中，得到隐式特征向量；

步骤4，融合显式和隐式特征向量得到推荐分数

将步骤2和步骤3得到的特征向量拼接，输入到全连接神经网络中，得到最终的推荐得分。

作为优选，所述步骤1具体包括如下过程：

定义领域知识图谱为KG＝{(h,r,t)|h,t∈E,r∈R}，其中E＝{e

提取知识图谱中用户u和itemi之间的路径集，将路径集定义为P(u,i)＝{p

作为优选，所述步骤2具体包括如下过程：

将步骤1中提取的知识图谱路径转换为序列向量，使用p

其中e

O＝αW

其中I代表输入的矩阵，W

作为优选，所述步骤3包括如下三个子步骤：

子步骤3-1，使用用户u

子步骤3-2，计算候选item和用户历史行为记录item之间的关联度得分，计算公式如下所示：

a

a

w

其中·代表点积，W

子步骤3-3，经过子步骤3-2，得到关联度得分集合W＝{w

其中W

作为优选，所述步骤4具体包括如下过程：

将步骤3和步骤4得到的特征向量

其中，W

与现有技术相比，本发明具有如下优点和有益效果：

本发明充分利用用户的行为记录，在捕获用户和候选item之间的显式特征的同时，还能够捕获知识图谱之外item之间的知识图谱之外的隐式特征，将显式和隐式特征融合并用于推荐，相比其他方法，本发明方法推荐准确率高，可解释性好。

附图说明

图1为本发明提供的基于知识图谱路径的隐式推荐方法流程图；

图2为实现本发明提供的基于知识图谱路径的隐式推荐方法的模型图，其中包括AKPM模块和IFEM模块；

图3为AKPM模块结构图；

图4为IFEM模块结构图。

具体实施方式

以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

本方法提供的一种基于知识图谱路径的隐式推荐方法，其流程如图1所示，模型架构如图2所示，具体实施步骤如下：

步骤1，在知识图谱中提取用户和候选item之间的路径

构建领域知识图谱，定义领域知识图谱为KG＝{(h,r,t)|h,t∈E,r∈R}，其中E＝{e

步骤2，使用上述路径作为如图3所示的注意力知识路径模块(AttentionKnowledge-aware Path Module，AKPM)的输入，捕获知识图谱中用户和候选item之间的显式特征。

将步骤1中提取的知识图谱路径转换为序列向量，使用p

其中e

O＝aW

其中I代表输入的矩阵，W

步骤3，将候选item和用户行为记录item输入到如图4所示的隐式特征提取模块(Implicit Feature Extraction Module，IFEM)，捕获item之间知识图谱之外的隐式特征。

使用低维稠密向量表示用户的历史行为记录和候选item，然后计算候选item和用户历史行为记录item之间的相似度，再输入到深度神经网络中，得到隐式特征向量。该步骤实施过程分为3个子步骤：

子步骤3-1，使用用户u

子步骤3-2，计算候选item和用户历史行为记录item之间的关联度得分，计算公式如下所示：

a

a

w

其中·代表点积，W

子步骤3-3，经过子步骤3-2，得到关联度得分集合W＝{w

其中W

步骤4，融合显式和隐式特征向量得到推荐分数。

将步骤3和步骤4得到的特征向量

其中，W

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。