基于知识图谱的智能供热服务推荐方法.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CN111274413A(43)申请公布日2020.06.12(21)申请号202010093815.4G06Q50/06(2012.01)(22)申请日2020.02.14(71)申请人迈拓仪表股份有限公司地址210000江苏省南京市江宁滨江经济开发区喜燕路5号申请人南京理工大学(72)发明人王永利陈振华孙卫国王远谷东先杨苗李璇孙琦月邹孝旺(74)专利代理机构连云港联创专利代理事务所(特殊普通合伙)32330代理人赵晓琴(51)Int.Cl.G06F16/36(2019.01)G06F16/9536(2019.01)权利要求书2页说明书6页附图2页(54)发明名称基于知识图谱的智能供热服务推荐方法(57)摘要本发明公开了基于知识图谱的智能供热服务推荐方法，包括步骤1：通过动态映射矩阵嵌入构建知识图谱嵌入模型，步骤2：进行知识图谱的对齐与融合，步骤3：基于张量分解的跨域协同过滤服务推荐算法进行推荐，步骤4：针对未知悉用水用热的信息的用户，采用跨领域推荐迁移学习方法。利用此算法，服务商可以根据相似的供水供热案例为用户进行优质服务推荐。CN111274413ACN111274413A权利要求书1/2页1.基于知识图谱的智能供热服务推荐方法，其特征是包括以下步骤：步骤1：通过动态映射矩阵嵌入构建知识图谱嵌入模型，步骤2：进行知识图谱的对齐与融合，步骤3：基于张量分解的跨域协同过滤服务推荐算法进行推荐，步骤4：针对未知悉用水用热的信息的用户，采用跨领域推荐迁移学习方法。2.根据权利要求1所述的基于知识图谱的智能供热服务推荐方法，其特征在于所述步骤1是基于TransD模型，通过动态映射矩阵嵌入构建知识图谱嵌入模型，在TransD模型中，实体和关系均用两个向量表示；用(h,r,t)表示一个三元组，其对应的向量有h,hp,r,rp,t,tp，其中h,r,t用于表示实体h,t和关系r的含义,hp,rp,tp称为投影向量，用于动态构建投影nm矩阵；hp,r,tp∈R嵌入到实体空间中，r,tp∈R嵌入到关系空间中。实体空间的维数n和关系空间的维数m可以相同，也可以不同；m*n对于每一个三元组(h,r,t)，投影矩阵Mrh,Mrt∈R用于将实体嵌入向量h,t投影到关系空间中，实体嵌入向量h,t通过与投影矩阵Mrh,Mrt相乘得到其在关系空间中的投影，投影向量h⊥和t⊥通过关系嵌入向量r相关联(h,r,t)∈S，构建评分函数为：TransD模型的损失函数定义为其中，b为偏置超参，[x]为合页损失函数，S为知识图谱中的三元组的集合，S′为负采样集合。3.根据权利要求1所述的基于知识图谱的智能供热服务推荐方法，其特征在于所述步骤2的知识图谱的对齐与融合为在训练好的TransD模型中，通过计算实体或关系之间的相似度寻找相互对齐的实体或关系，在此基础上将对齐的实体和关系的内容进行融合。4.根据权利要求1所述的基于知识图谱的智能供热服务推荐方法，其特征在于所述步骤3的基于张量分解的跨域协同过滤服务推荐算法进行推荐，其步骤如下：(1)利用用户画像的多维特征及用户对项目的标签信息构建初始化张量；(2)对张量进行model-n模展开，得到n个展开矩阵即张量因子；(3)调用高阶奇异值张量分解HOSVD算法，在n个张量因子上分别使用SVD，保留c个重要的奇异值特征；(4)构建张量核，保留c个重要特征进行维度约减，即评分模式；(5)通过迁移学习将源领域评分模式与张量因子适配到目标领域；(6)利用迁移后的张量因子和张量核构建目标领域的估计张量；(7)基于重构的张量对新的项目进行推荐。5.根据权利要求4所述的基于知识图谱的智能供热服务推荐方法，其特征在于所述步骤(3)的其中高阶奇异值张量分解HOSVD的算法步骤如下：(1)初始化张量结构；(2)张量展开，创建三个模式；(3)三个因子上分别使用SVD，保留c个重要的奇异值特征；2CN111274413A权利要求书2/2页(4)构建核张量用来降低维度；(5)构建估计张量；(6)基于重构的张量对新的项目进行推荐。6.根据权利要求1所述的基于知识图谱的智能供热服务推荐方法，其特征在于所述步骤4针对未知悉用户用水用热信息的用户的产品套餐、业务、服务的兴趣与情感倾向的跨领域推荐问题，采用潜在因子模型；用户偏好和项目属性非常稀疏的情况下，可以使用潜在因子进行压缩表示；遇到新的场景，之前的潜在因子依然可以使用；通过共享评分模式，即使用户和项目不同，相近的领域会有相似的用户偏好与流行度，可以将此评分模式作为连接两个领域的桥梁，这样知识的迁移可以不按照适应或联合行为，在联合推荐下，所有领域的数据需要整合到一起，联合处理，即使用户和项目在领域间没有跨领域重叠。3CN11127