一种基于知识图谱和深度学习的协同过滤推荐方法及设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112800334A(43)申请公布日2021.05.14(21)申请号202110153496.6(22)申请日2021.02.04(71)申请人河海大学地址210024江苏省南京市鼓楼区西康路1号(72)发明人唐彦徐萌(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204代理人李淑静(51)Int.Cl.G06F16/9535(2019.01)G06F16/36(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书11页附图2页(54)发明名称一种基于知识图谱和深度学习的协同过滤推荐方法及设备(57)摘要本发明公开了一种基于知识图谱和深度学习的协同过滤推荐方法及设备，所述方法包括：获取用户和项目的关系数据，建立用户—项目交互图和知识图谱；根据用户—项目交互图生成嵌入矩阵，得到用户和项目的原始嵌入向量，并提取知识图谱中与项目相关联的实体所在三元组，得到三元组中实体对应的嵌入向量；将用户嵌入向量在L层Light‑GCN网络中递归地传播嵌入，得到每层的用户嵌入向量，再结合得到用户高阶嵌入向量；知识图谱借助涟漪网络传播嵌入，经过L个涟漪网络传播及交叉压缩单元的高阶交互得到项目高阶嵌入向量；将用户高阶嵌入向量和项目高阶嵌入向量传入点积预测函数，根据预测结果向用户推荐其兴趣项目。本发明克服了传统推荐方法冷启动和稀疏性的缺陷。CN112800334ACN112800334A权利要求书1/3页1.一种基于知识图谱和深度学习的协同过滤推荐方法，其特征在于，所述方法包括以下步骤：(1)获取用户和项目之间的关系数据集，整理得到用户—项目交互图和知识图谱，用户—项目交互图中包含用户ID、项目ID以及用户是否与项目有过交互的标识信息，知识图谱中三元组表示与项目相关联实体之间的关系；(2)根据用户—项目交互图中的用户ID和项目ID生成嵌入矩阵，得到用户和项目的原始嵌入向量u(0)和v(0)，并提取知识图谱中与项目相关联实体所在的三元组，得到三元组中实体对应的嵌入向量；(3)将用户嵌入向量在L层Light‑GCN网络中递归地传播嵌入，分别得到每层的用户嵌入向量，再将每层的用户嵌入向量结合得到用户的高阶嵌入向量uL；(4)知识图谱借助涟漪网络传播嵌入，上一层项目对应的知识图谱中实体的初始嵌入向量经过涟漪网络传播得到上一层的实体嵌入向量，上一层项目嵌入向量与上一层实体嵌入向量之间用能够共享交互特征的交叉压缩单元连接，经过L个涟漪网络传播及交叉压缩单元的高阶交互后得到项目的高阶嵌入向量vL；(5)将用户的高阶嵌入向量和项目的高阶嵌入向量传入点积预测函数，根据预测函数的计算结果向用户推荐其感兴趣的项目。2.如权利要求1所述的基于知识图谱和深度学习的协同过滤推荐方法，其特征在于，所述步骤(3)包括：3‑1：得到用户的原始特征向量u(0)之后，将其传入Light‑GCN；3‑2：用上一层节点的邻居节点表示本层节点嵌入向量，在Light‑GCN中每用上一层节点的邻居节点表示本层节点一次称为一次嵌入传播，并称该层为一个嵌入传播层，在一个嵌入传播层中经过一次嵌入传播得到本层的用户嵌入向量；3‑3：将L个嵌入传播层得到的用户嵌入向量结合，并将其作为最终的用户高阶嵌入向量uL。3.如权利要求2所述的基于知识图谱和深度学习的协同过滤推荐方法，其特征在于，所述步骤3‑2包括：以嵌入传播层层数k为控制循环的循环变量，其初始值为1，其终止值为L，增量步长为1，共L次重复执行下列步骤：3‑2‑1：用户—项目交互图中与上一层节点相邻的所有节点构成一个集合Su＝{e1，e2…en}，n为相邻节点数；(k+1)(k)(k)3‑2‑2：利用聚合函数AGG：u＝AGG(u,{v:v∈Su})，聚合Su中所有节点的特征作为本层节点嵌入向量。4.如权利要求3所述的基于知识图谱和深度学习的协同过滤推荐方法，其特征在于，所述聚合函数具体形式为：Sv1为用户—项目交互图中与待预测项目v相邻的所有邻居构成的集合，是对称2CN112800334A权利要求书2/3页规范化项。5.如权利要求1所述的基于知识图谱和深度学习的协同过滤推荐方法，其特征在于，所述步骤(4)包括：4‑1：项目在知识图谱中经过L层涟漪网络及交叉压缩单元传播嵌入，获得每层项目嵌入向量；4‑2：将经过L层涟漪网络及交叉压缩单元传播嵌入得到的第L层项目嵌入向量v(L)赋值给项目高阶嵌入向量vL。6.如权利要求5所述的基于知识图谱和深度学习的协同过滤推荐方法，其特征在于，所述步骤4‑1包括：以交叉压缩单元个数k为控制循环的循环变量，其初始值为1，其终止值为L，增量步长为1，共L次重复执行下列步骤：4‑1‑1：