基于知识增强与空洞卷积的冷链物流推荐方法及装置

摘要

本发明公开了一种基于知识增强与空洞卷积的冷链物流推荐方法及装置。首先对用户、车源和历史交互信息进行数据清洗与整理，构建车源信息知识图谱G；然后构建L层图卷积网络，通过聚合和更新进行层层卷积，捕获车源项目的近邻信息，得到车源项目特征向量

说明书

技术领域

本发明属于知识图谱和推荐系统技术领域，特别涉及一种基于知识增强与空洞卷积的冷链物流推荐方法及装置。

背景技术

近年来，随着大数据技术的快速发展，冷链物流行业的用户量与信息量规模不断扩大，海量的信息资源已导致了信息过载。为了缓解车源运输平台的信息超载，推荐系统已广泛应用于个性化信息过滤。

在现有的冷链物流推荐方法中，在如下不足：1、目前基于协同过滤的冷链物流推荐方法存在冷启动的问题，并且难以解释；2、融合知识图谱的冷链物流推荐方法未能把用户特征与车源特征和知识图谱进行有效融合，只单一地考虑了车源项目与实体或者用户与实体间的联系；3、难以学习知识图谱车源间的潜在特征，发现车源项目间的高阶内在关系。

发明内容

发明目的：针对上述问题，本发明提供一种基于知识增强与空洞卷积的冷链物流推荐方法及装置，结合推荐系统与知识图谱特征学习，通过多任务学习的方法增强推荐的可解释性，提高推荐车源项目的多样性。

技术方案：本发明提出一种基于知识增强与空洞卷积的冷链物流推荐方法，包括如下步骤：

步骤1：对用户、车源和历史交互信息进行数据清洗与整理，构建车源信息知识图谱G，G＝{(h，r，t)|h，t∈E；r∈R}，h，t分别表示头实体和尾实体，r表示两实体间的关系；

步骤2：构建L层图卷积网络，通过聚合和更新进行层层卷积，捕获车源项目的近邻信息，得到车源项目特征向量v

步骤3：在交互单元，构建交互矩阵Y并对交互矩阵Y进行压缩操作，得到用户特征向量与头实体特征向量；

步骤4：在知识嵌入单元，使用交互单元提取的头实体特征向量与多层感知机提取的关系特征向量输入空洞卷积网络，得到特征向量o，最终计算三元组 (h，r，t)评分，；

步骤5：对用户特征向量与车源项目特征向量求内积，输出用户对车源项目的点击预测值。

进一步地，所述步骤2的具体方法为：

步骤2.1：输入用户u与车源项目v，将车源项目映射到知识图谱G中，定义e

步骤2.2：定义循环变量i，i＝L，...，1，e

步骤2.3：由外到内依次遍历接收域，获得L+1层近邻集合E＝{E

步骤2.4：建立L层图卷积网络进行邻域聚合与更新，定义u∈R

步骤2.5：定义循环变量l；

步骤2.6：若0≤l＜L，则执行以下步骤2.7-2.8，否则跳至步骤2.9；

步骤2.7：定义节点e∈E

步骤2.7.1：利用内积函数g计算用户和实体关系之间的分数，

步骤2.7.2：在聚合操作中，对v的l-1阶近邻表示进行线性聚合，捕获车源v 的第l阶近邻信息，得到车源v的l阶近邻表示

步骤2.7.3：在更新操作中得到车源项目的l阶表示

步骤2.8：得到v

步骤2.9：：通过L层的卷积，获得车源项目v在不同卷积层的表示V＝{v

步骤2.10：对多层卷积结果进行求均值，得到车源项目特征向量的最终表示

进一步地，所述步骤2.3中获得L+1层近邻集合E＝{E

步骤2.3.1：若i＜L，则执行以下步骤2.3.2-步骤2.3.5，否则跳至步骤2.3.6；

步骤2.3.2：E

步骤2.3.3：若j＜len(E

步骤2.3.4：

步骤2.3.5：得到E

步骤2.3.6：得到集合E＝{E

进一步地，所述步骤3的具体方法为：

步骤3.1：定义E(u)＝{e|e∈N(v)andv∈{v|y

步骤3.2：定义特征向量u

步骤3.3：将交互矩阵的维度从R

进一步地，所述步骤4的具体方法为：

步骤4.1：定义L层感知机M

步骤4.2：建立空洞卷积网络，将头实体特征向量h

步骤4.3：将头实体特征向量h

步骤4.4：将关系特征向量r

步骤4.5：定义i卷积核的空洞率参数，

步骤4.6：定义C

步骤4.7：定义vec为整平操作，concat为拼接操作，W

步骤4.8：定义f为非线性激活函数，W

进一步地，所述步骤5的具体方法为：

步骤5.1：在模型预测单元将步骤2邻域聚合得到的车源项目特征向量v

步骤5.2：定义ψ为sigmoid函数，对车源项目特征向量v

本发明还公开一种基于知识增强与空洞卷积的冷链物流推荐装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时执行上述基于知识增强与空洞卷积的冷链物流推荐方法的步骤。

有益效果：

1、本发明构建多层图卷积网络，去除了GCN中的特征转换矩阵，降低了模型的训练难度；不同卷积层对远近节点的信号具有差别，没有把最后一层图卷积的节点作为最终的车源项目特征表示，而是结合了不同卷积层的邻域聚合信息。

2、本发明在知识嵌入单元，使用空洞卷积对更大区域进行特征交互建模，通过多尺度的空洞卷积核，获得实体与关系的多尺度交互特征，融合多尺度的信息，获得知识图谱中实体与关系的合理表示。

3、本发明采用多任务学习的训练方式，共享车源项目的潜在特征，计算用户的偏好特征，增强推荐性能；在交叉压缩单元，去除压缩层中的参数偏置，降低计算量，并实现了用户u与知识嵌入单元中实体之间的信息共享。

附图说明

图1为本发明整体流程图；

图2为数据清理、知识图谱构建流程图；

图3为多层图卷积邻域聚合流程图；

图4为交叉压缩单元流程图；

图5为知识图谱嵌入单元流程图；

图6为模型预测流程图。

具体实施方式

下面结合附图1-6，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明公开了一种基于知识增强与空洞卷积的冷链物流推荐方法，具体包括如下步骤：

步骤1：对用户、车源和历史交互信息进行数据清洗与整理，构建车源信息知识图谱G，G＝{(h，r，t)|h，t∈E；r∈R}，h，t分别表示头实体和尾实体，r表示两实体间的关系。具体方法为：

步骤1.1：对用户、车源和历史交互信息进行数据清洗与整理，定义U为用户集，V为车源集；

步骤1.2：根据车源的属性，信息构建知识图谱G＝{(h，r，t)|h，t∈E；r∈R}，h， t分别表示头实体和尾实体，r表示两实体间的关系。

步骤2：构建L层图卷积网络，通过聚合和更新进行层层卷积，捕获车源项目的近邻信息，得到车源项目特征向量v

步骤2.1：输入用户u与车源项目v，将车源项目映射到知识图谱G中，定义e

步骤2.2：定义循环变量i，i＝L，..，1，e

步骤2.3：若i＜L，则执行以下步骤2.4-2.7，否则跳至步骤2.8。

步骤2.4：E

步骤2.5：若j＜len(E

步骤2.6：

步骤2.7：得到E

步骤2.8：得到集合E＝{E

步骤2.9：建立L层图卷积网络进行邻域聚合与更新，定义u∈R

步骤2.10：定义循环变量l。

步骤2.11：若0≤l＜L，则执行以下步骤2.12-2.13，否则跳至步骤2.13。

步骤2.12：定义节点e∈E

步骤2.12.1：利用内积函数g计算用户和实体关系之间的分数，

步骤2.12.2：在聚合操作中，对v的l-1阶近邻表示进行线性聚合，捕获车源v的第l阶近邻信息，得到车源v的l阶近邻表示

步骤2.12.3：在更新操作中得到车源项目的l阶表示

步骤2.13：得到v

步骤2.14：：通过L层的卷积，获得车源项目v在不同卷积层的表示V＝{v

步骤2.15：对多层卷积结果进行求均值，得到车源项目的最终表示

步骤3：在交互单元，构建用户交互矩阵Y并对交互矩阵Y进行压缩操作，得到用户特征向量与头实体特征向量，具体方法为：

步骤3.1：定义E(u)＝{e|e∈N(v)andv∈{v|y

步骤3.2：定义特征向量u

步骤3.3：将交互矩阵的维度从R

步骤4：在知识嵌入单元，使用交互单元提取的头实体特征向量与多层感知机提取的关系特征向量输入空洞卷积网络，得到特征向量o，最终计算三元组(h，r，t)评分，具体方法为：

步骤4.1：定义L层感知机M

步骤4.2：建立空洞卷积网络，将步骤3.3所得的头实体特征向量h

步骤4.3：将头实体特征向量h

步骤4.4：将关系特征向量r

步骤4.5：定义i卷积核的空洞率参数，

步骤4.6：定义C

步骤4.7：定义vec为整平操作，concat为拼接操作，W

步骤4.8：定义f为非线性激活函数，W

步骤5：对用户特征向量与车源项目特征向量求内积，输出用户对车源项目的点击预测值，具体方法为：

步骤5.1：在模型预测单元将步骤2.15邻域聚合得到的车源项目特征向量v

步骤5.2：定义ψ为sigmoid函数，对车源项目特征向量v

下表为本申请中涉及的变量说明：

本发明可与计算机系统结合成为基于知识增强与空洞卷积的冷链物流推荐装置，装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被加载至处理器时实现上述基于知识增强与空洞卷积的冷链物流推荐方法。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。