CN109508419B - 一种基于知识学习的推荐方法和系统 - Google Patents
一种基于知识学习的推荐方法和系统 Download PDFInfo
- Publication number
- CN109508419B CN109508419B CN201811408918.4A CN201811408918A CN109508419B CN 109508419 B CN109508419 B CN 109508419B CN 201811408918 A CN201811408918 A CN 201811408918A CN 109508419 B CN109508419 B CN 109508419B
- Authority
- CN
- China
- Prior art keywords
- user
- item
- behavior
- vector
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于知识学习的推荐方法,属于用户推荐技术领域,该方法克服现有协通过滤技术的不足,本发明的推荐方法利用知识图谱融入的更多的用户和物品之间的互动数据,并利用改进的子图嵌入提高推荐效果;知识图谱提供了一种异构数据融合到协同过滤算法的新思路,解决异构性问题;本发明还提供了一种用于推荐方法的推荐系统,方便用户及时快速的生成推荐列表,获得更好的推荐结果,为用户提供更好的推荐服务体验。
Description
技术领域
本发明涉及用户推荐技术领域,特别是涉及一种基于知识学习的推荐方法和系统。
背景技术
伴随着互联网的发展,各类网站和App都出现了不同程度的信息过载的现象。如何从众多信息中选择适合内容给感兴趣的用户是每个网站和App都面临的问题,解决这一问题的方法就是使用推荐系统为用户做出个性化的消息推荐,也就是说分析用户以往的点击消息的特征得出用户的潜在兴趣,从而将用户感兴趣的消息推送给用户,从而提高网站/App的收益。
传统的个性化推荐方法有基于用户/物品相似性、或者基于协同过滤(矩阵分解),还有一些混合的方法。无妨认为信息是待推荐的物品,在现有的协同过滤技术中,建立一种用户和物品在一种目标行为(如购买、分享、评论等)下的评分矩阵,而用户在实际应用中,往往会有大量的其他行为数据,以及待推荐物品自身也包含大量附属信息。在建立用户-物品评分矩阵时,如何将这些异质空间的数据融合到一个整体是一个迫切需要解决的问题。在实际操作中,用户和物品之间的互动可能有非常多的其他行为(如浏览、下载等),物品本身就诸多信息。传统的协调过滤建立评分矩阵的方式无法采取合适的方式来将其他行为与目标行以及物品信息进行有效的融合,以提供更多有助推荐的信息,从而往往会因为单一目标行为评分矩阵过于稀疏,无法提升推荐效果。
发明内容
为了解决上述问题,本发明提供一种基于知识学习的推荐方法和系统,克服现有协通过滤技术的不足,通过对用户行为数据、物品属性数据以及用户和物品间的互动数据构建用户-物品知识图谱进行知识表示学习,生成个性化推荐列表,从而大大改善推荐效果。
为此,本发明采用的技术方案是:
提供一种基于知识学习的推荐方法,该方法包括以下步骤:
S1、提取用户和物品作为实体,并提取用户操作行为和物品属性为关系,获得用户-物品数据;
S2、将所述用户-物品数据转换为三元组,得到包括实体和关系的三元组数据;
S3、将所述三元组数据储存到数据库中,进行知识表示学习,把实体以及关系转换成向量表示,即获得用户-物品知识图谱;所述关系包括用户与物品之间的关系和物品与物品之间的关系;
S4、关联出所述用户-物品知识图谱中的实体和关系的向量,并采用改进的链路预测的子图嵌入方法对所述向量的值进行分行为多步计算,最终得到用户对未产生目标行为的物品产生目标行为的概率;
S5、对所述S4得到的概率进行排序即可得到推荐列表。
作为本领域技术人员,在确定对各操作行为进行几步运算时,根据计算每步的概率来确定步数,比如计算出某一步的概率小于一个阈值,就说明这一步操作对目标行为的贡献非常小,就可以选择停止。从外,考虑稀疏度、衰减和防止过拟合的影响,本领域普通技术人员根据实际需要,即可常规的完成步数的设定。
进一步的是,步骤S4中,所述改进的链路预测的方法包括步骤:
S41、选取用户操作行为中某一行为作为目标行为;
S42、分别对所述目标行为以及目标行为前或后的关联行为进行多步子图嵌入操作,得到第一子图嵌入物品向量,所述第一子图嵌入物品向量包括目标行为以及目标行为前或后的关联行为的多步子图嵌入物品向量;
S43、采用softmax函数对步骤S42得到的所述第一子图嵌入物品向量中目标行为以及目标行为前或后的关联行为的每步子图嵌入物品向量分别进行概率化处理,得到第一子图嵌入物品向量概率;
S44、根据所述第一子图嵌入物品向量概率,计算得到第二子图嵌入物品向量,所述第二子图嵌入物品向量包括目标行为以及目标行为前或后的关联行为的子图嵌入物品向量;
S45、根据所述第二子图嵌入物品向量,计算得到所述用户操作行为的总子图嵌入物品向量;
S46、根据步骤S45得到的所述总子图嵌入物品向量,计算得到用户对未产生目标行为的物品产生目标行为的概率。
进一步的是,步骤S43中,概率化处理的具体公式为:
其中,pi表示关联出的第i个物品在关联出的关系空间下对该用户行为的贡献度;I表示从用户-物品知识图谱中关联出的实体和关系的向量形成的向量集,该向量集是由三元组构成,rk表示三元组中的第k个关系,hj和ti表示三元组中的实体,如果关联出的是用户与物品的关系,此时hj表示关联出的第j个用户,ti表示关联出的第i个物品,如果关联出的是物品与物品的关系,则hj表示关联出的第j个物品,ti表示关联出的第i个物品;vT表示用户-物品知识图谱中的物品向量,R表示用户-物品知识图谱中的关系向量,h表示用户-物品知识图谱中的用户向量。
进一步的是,步骤S44中,计算方法为:
进一步的是,步骤S45中,计算方法为:
其中,V表示所述用户操作行为的总子图嵌入物品向量,V目标行为表示目标行为的子图嵌入物品向量,V第y关联行为表示目标行为前或后的第y个关联行为的子图嵌入物品向量,m表示目标行为前或后的关联行为的数量。
进一步的是,步骤S46中,计算方法为:
p=sigmod(UTV)
其中,p表示用户对未产生目标行为的物品产生目标行为的概率,UT表示用户向量,V表示所述用户操作行为的总子图嵌入物品向量。
进一步的是,步骤S3中,所述储存方式为RDF存储或图数据库。
进一步的是,步骤S3中,所述知识表示学习的方法为翻译模型、张量学习或深度学习。
一种推荐系统,该系统包括:
三元组生成模块:用于提取用户和物品作为实体,并提取用户操作行为和物品属性为关系,获得用户-物品数据,将所述用户-物品数据转换为三元组,得到包括实体和关系的三元组数据;
图谱存储模块:用于将所述三元组数据储存到数据库中;
知识表示学习模块:用于进行知识表示学习,把实体以及关系转换成向量表示,即获得用户-物品知识图谱;
推荐模块:关联出所述用户-物品知识图谱中的实体和关系的向量,并采用改进的链路预测的子图嵌入方法对所述向量的值进行分行为多步计算,最终得到用户对未产生目标行为的物品产生目标行为的概率,并对所述概率进行排序即可得到推荐列表。
进一步的是,
所述三元组生成模块包括:
实体提取模块:用于提取用户和物品作为实体;
关系提取模块:用于提取用户操作行为和物品属性为关系;
所述知识表示学习模块包括翻译模型;
所述推荐模块包括:
链路预测模块:关联出所述用户-物品知识图谱中的实体和关系的向量,并采用改进的链路预测的子图嵌入方法对所述向量的值进行分行为多步计算,最终得到用户对未产生目标行为的物品产生目标行为的概率;
推荐列表生成模块:对所述链路预测模块生成的概率进行排序即可得到推荐列表。
本发明方法的理论过程如下:
针对现有技术,以电商APP为例,用户在app上的行为一般是呈现漏斗状,如浏览,加到购物车,然后再到决策购买,甚至有评论、分享给其他朋友等等,协同过滤的思想是基于用户-物品评分矩阵,如果我们选定目标行为是购买行为,那么我们会使用购买行为来生成用户-物品评分矩阵,然后基于该矩阵采用不同的手段来计算用户对物品未产生目标行为在后续可能产生目标行为的概率。由于用户和物品一般都是海量场景,所以用户-物品评分矩阵的稀疏性非常的高,如何改善该评分矩阵的稀疏性从而提高推荐系统的推荐效果是个性化推荐系统的一个重要研究方向。而在目标行为出现的情况下,往往用户会有很多其他操作行为,如何将目标行为前后的用户行为很好的融入评分矩阵,是改善评分矩阵的一个重要手段。一般协同过滤使用的数据结构,如果选择以用户的购买行为为目标行为,我们仅仅只能使用最后一个矩阵的数据。
为了解决上述问题,同样以用户浏览、加购、购买三种行为为例具体说明,形成的三个用户-物品评分矩阵在融合到一起的时候,首先需要解决的一个问题就是异构性,知识图谱提供了一种异构数据存储到算法的新的思路,所以类似于知识图谱构建的技术,我们将用户行为数据、物品属性数据转换为三元组,采用知识图谱的结构构建一个融合用户多行为的用户-物品评分矩阵;当然如果App运营者本身物品/用户有一些分类和属性定义,在此处也可以类比用户行为相似的方式将这些不同来源的数据融入用户-物品评分矩阵中。从而基于三元组建立用户-物品知识图谱,并基于知识图谱进行知识表示学习,生成推荐效果更好的推荐列表。
采用本技术方案的有益效果:
1、与现有技术相比,本发明的推荐方法利用知识图谱融入的更多的用户和物品之间的互动数据,提高推荐效果。
2、知识图谱提供了一种异构数据存储到算法的新思路,解决异构性问题。
3、本发明还提供了一种用于推荐方法的推荐系统,方便用户及时快速的生成推荐列表,获得更好的推荐结果,为用户提供更好的推荐服务体验。
附图说明
图1是本发明方法的流程图;
图2是本发明方法的一种实施例的用户-物品知识图谱图;
图3是本发明方法的一种实施例用户操作行为漏斗图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明作进一步阐述。
实施例1
在本实施例中,如图1~3所示,一种基于知识学习的推荐方法,该方法包括以下步骤:
S1、提取用户和物品作为实体,并提取用户操作行为和物品属性为关系,获得用户-物品数据;
S2、将所述用户-物品数据转换为三元组,得到包括实体和关系的三元组数据;
S3、将所述三元组数据储存到RDF中,利用transE进行知识表示学习,把实体以及关系转换成向量表示,即获得用户-物品知识图谱;所述关系包括用户与物品之间的关系和物品与物品之间的关系;
本实施例的知识图谱如图3所示,包括用户A、B和C 3个,物品1、2、3、4、5和6,以及用户操作行为:浏览、加入购物车和购买。本实施例只是为了对方法进行举例说明,设置的知识图谱较为简单,实际的海量信息根据这个图谱类推是本领域技术人员很容易实现的,这并不代表本发明不适合复杂的知识图谱,因为方法本身就是针对现有的复杂的推荐场景。
S4、关联出所述用户-物品知识图谱中的实体和关系的向量,并采用改进的链路预测的子图嵌入方法对所述向量的值进行分行为多步计算,最终得到用户对未产生目标行为的物品产生目标行为的概率;
具体的:
S41、选取购买行为作为目标行为,将上一级的行为加入购物车行为命名为第1关联行为,将第1关联行为上一级的浏览行为命名为第2关联行为;
S42、分别对所述目标行为以及第1关联行为和第2关联行为进行两步子图嵌入操作,得到第一子图嵌入物品向量,所述第一子图嵌入物品向量包括目标行为以及第1关联行为和第2关联行为的两步子图嵌入物品向量;
S43、采用softmax函数对步骤S42得到的所述第一子图嵌入物品向量中目标行为以及目标行为前或后的关联行为的每步子图嵌入物品向量分别进行概率化处理,得到第一子图嵌入物品向量概率;
概率化处理的具体公式为:
其中,pi表示关联出的第i个物品在关联出的关系空间下对该用户行为的贡献度;I表示从用户-物品知识图谱中关联出的实体和关系的向量形成的向量集,该向量集是由三元组构成,rk表示三元组中的第k个关系,hj和ti表示三元组中的实体,如果关联出的是用户与物品的关系,此时hj表示关联出的第j个用户,ti表示关联出的第i个物品,如果关联出的是物品与物品的关系,则hj表示关联出的第j个物品,ti表示关联出的第i个物品;vT表示用户-物品知识图谱中的物品向量,R表示用户-物品知识图谱中的关系向量,h表示用户-物品知识图谱中的用户向量。在本实施例中,i=1,2,3,4,5,6;j=100,200,300;k=001,002,003。其中100,200,300分别对应用户A、B和C。
S44、根据所述第一子图嵌入物品向量概率,计算得到第二子图嵌入物品向量,所述第二子图嵌入物品向量包括目标行为以及目标行为前或后的关联行为的子图嵌入物品向量;
计算方法为:
S45、根据所述第二子图嵌入物品向量,计算得到所述用户操作行为的总子图嵌入物品向量;
计算方法为:
其中,V表示所述用户操作行为的总子图嵌入物品向量,V目标行为表示目标行为的子图嵌入物品向量,V第y关联行为表示第y个关联行为的子图嵌入物品向量,m=2。
S46、根据步骤S45得到的所述总子图嵌入物品向量,计算得到用户对未产生目标行为的物品产生目标行为的概率。
计算方法为:
p=sigmod(UTV)
其中,p表示用户对未产生目标行为的物品产生目标行为的概率,UT表示用户向量,V表示所述用户操作行为的总子图嵌入物品向量。
S5、对所述S4得到的概率进行排序即可得到推荐列表。所得的推荐列表如下表1。
表1实施例1的推荐列表
表1中,用户A对物品3是已经产生购买行为,因此,其概率为100%,且在推荐时不再考虑,则推荐的顺序为物品6、物品4、物品5、物品2和物品1。
实施例2
一种推荐系统,该系统包括:
1、三元组生成模块:用于提取用户和物品作为实体,并提取用户操作行为和物品属性为关系,获得用户-物品数据,将所述用户-物品数据转换为三元组,得到包括实体和关系的三元组数据;所述三元组生成模块包括:
1.1、实体提取模块:用于提取用户和物品作为实体;
1.2、关系提取模块:用于提取用户操作行为和物品属性为关系;
2、图谱存储模块:用于将所述三元组数据储存到数据库中;
3、知识表示学习模块:用于进行知识表示学习,把实体以及关系转换成向量表示,即获得用户-物品知识图谱;本实施例为transE;
4、推荐模块:关联出所述用户-物品知识图谱中的实体和关系的向量,并采用改进的链路预测的子图嵌入方法对所述向量的值进行分行为多步计算,最终得到用户对未产生目标行为的物品产生目标行为的概率,并对所述概率进行排序即可得到推荐列表。
所述推荐模块包括:
4.1、链路预测模块:关联出所述用户-物品知识图谱中的实体和关系的向量,并采用改进的链路预测的子图嵌入方法对所述向量的值进行分行为多步计算,最终得到用户对未产生目标行为的物品产生目标行为的概率;
4.2、推荐列表生成模块:对所述链路预测模块生成的概率进行排序即可得到推荐列表。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于知识学习的推荐方法,其特征在于,包括以下步骤:
S1、提取用户和物品作为实体,并提取用户操作行为和物品属性为关系,获得用户-物品数据;
S2、将所述用户-物品数据转换为三元组,得到包括实体和关系的三元组数据;
S3、将所述三元组数据储存到数据库中,进行知识表示学习,把实体以及关系转换成向量表示,即获得用户-物品知识图谱;所述关系包括用户与物品之间的关系和物品与物品之间的关系;
S4、关联出所述用户-物品知识图谱中的实体和关系的向量,并采用改进的链路预测的子图嵌入方法对所述向量的值对不同的用户操作行为分别进行多步计算,最终得到用户对未产生目标行为的物品产生目标行为的概率;
S5、对所述S4得到的概率进行排序即可得到推荐列表;
步骤S4中,所述改进的链路预测的子图嵌入方法包括步骤:
S41、选取用户操作行为中某一行为作为目标行为;
S42、分别对所述目标行为以及目标行为前或后的关联行为进行多步子图嵌入操作,得到第一子图嵌入物品向量,所述第一子图嵌入物品向量包括目标行为以及目标行为前或后的关联行为的多步子图嵌入物品向量;
S43、采用softmax函数对步骤S42得到的所述第一子图嵌入物品向量中目标行为以及目标行为前或后的关联行为的每步子图嵌入物品向量分别进行概率化处理,得到第一子图嵌入物品向量概率;
S44、根据所述第一子图嵌入物品向量概率,计算得到第二子图嵌入物品向量,所述第二子图嵌入物品向量包括目标行为以及目标行为前或后的关联行为的子图嵌入物品向量;
S45、根据所述第二子图嵌入物品向量,计算得到所述用户操作行为的总子图嵌入物品向量;
S46、根据步骤S45得到的所述总子图嵌入物品向量,计算得到用户对未产生目标行为的物品产生目标行为的概率;
步骤S46中,计算方法为:
p=sigmod(UTV)
其中,p表示用户对未产生目标行为的物品产生目标行为的概率,UT表示用户向量,V表示所述用户操作行为的总子图嵌入物品向量。
2.根据权利要求1所述的推荐方法,其特征在于,步骤S43中,概率化处理的具体公式为:
其中,pi表示关联出的第i个物品在关联出的关系空间下对该用户行为的贡献度;I表示从用户-物品知识图谱中关联出的实体和关系的向量形成的向量集,该向量集是由三元组构成,rk表示三元组中的第k个关系,hj和ti表示三元组中的实体,如果关联出的是用户与物品的关系,此时hj表示关联出的第j个用户,ti表示关联出的第i个物品,如果关联出的是物品与物品的关系,则hj表示关联出的第j个物品,ti表示关联出的第i个物品;vT表示用户-物品知识图谱中的物品向量,R表示用户-物品知识图谱中的关系向量,h表示用户-物品知识图谱中的用户向量。
5.根据权利要求1所述的推荐方法,其特征在于,步骤S3中,所述储存的方式为图数据库。
6.根据权利要求5所述的推荐方法,其特征在于,所述图数据库为RDF的存储方式。
7.根据权利要求1所述的推荐方法,其特征在于,步骤S3中,所述知识表示学习的方法为深度学习,所述深度学习为翻译模型或张量学习。
8.用于权利要求1-7的任一项所述的推荐方法的推荐系统,其特征在于,该系统包括:
三元组生成模块:用于提取用户和物品作为实体,并提取用户操作行为和物品属性为关系,获得用户-物品数据,将所述用户-物品数据转换为三元组,得到包括实体和关系的三元组数据;
图谱存储模块:用于将所述三元组数据储存到数据库中;
知识表示学习模块:用于进行知识表示学习,把实体以及关系转换成向量表示,即获得用户-物品知识图谱;
推荐模块:关联出所述用户-物品知识图谱中的实体和关系的向量,并采用改进的链路预测的子图嵌入方法对所述向量的值进行分行为多步计算,最终得到用户对未产生目标行为的物品产生目标行为的概率,并对所述概率进行排序即可得到推荐列表。
9.根据权利要求8所述的推荐系统,其特征在于,
所述三元组生成模块包括:
实体提取模块:用于提取用户和物品作为实体;
关系提取模块:用于提取用户操作行为和物品属性为关系;
所述知识表示学习模块包括翻译模型;
所述推荐模块包括:
链路预测模块:关联出所述用户-物品知识图谱中的实体和关系的向量,并采用改进的链路预测的子图嵌入方法对所述向量的值进行分行为多步计算,最终得到用户对未产生目标行为的物品产生目标行为的概率;
推荐列表生成模块:对所述链路预测模块生成的概率进行排序即可得到推荐列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811408918.4A CN109508419B (zh) | 2018-11-23 | 2018-11-23 | 一种基于知识学习的推荐方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811408918.4A CN109508419B (zh) | 2018-11-23 | 2018-11-23 | 一种基于知识学习的推荐方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109508419A CN109508419A (zh) | 2019-03-22 |
CN109508419B true CN109508419B (zh) | 2021-02-09 |
Family
ID=65750395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811408918.4A Active CN109508419B (zh) | 2018-11-23 | 2018-11-23 | 一种基于知识学习的推荐方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109508419B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321446B (zh) * | 2019-07-08 | 2021-09-14 | 深圳市华云中盛科技股份有限公司 | 相关数据推荐方法、装置、计算机设备及存储介质 |
CN110555753A (zh) * | 2019-08-14 | 2019-12-10 | 中国平安人寿保险股份有限公司 | 基于推荐的排序控制方法、装置、计算机设备及存储介质 |
CN110600121B (zh) * | 2019-08-15 | 2022-05-03 | 浙江工业大学 | 一种基于知识图谱病因初步诊断方法 |
CN112989176A (zh) * | 2019-12-12 | 2021-06-18 | 国网电子商务有限公司 | 一种信息推荐方法及装置 |
CN111191462B (zh) * | 2019-12-30 | 2022-02-22 | 北京航空航天大学 | 一种基于链路预测实现跨语言知识空间实体对齐方法及系统 |
CN111275189A (zh) * | 2020-02-25 | 2020-06-12 | 支付宝(杭州)信息技术有限公司 | 一种网络表示学习方法、系统及装置 |
CN111737592B (zh) * | 2020-06-18 | 2022-07-12 | 北京航空航天大学 | 一种基于异构传播协同知识感知网络的推荐方法 |
CN111768231B (zh) * | 2020-06-24 | 2024-04-09 | 中国工商银行股份有限公司 | 产品信息推荐方法及装置 |
CN111651613B (zh) * | 2020-07-08 | 2021-07-27 | 海南大学 | 一种基于知识图谱嵌入的动态推荐方法及系统 |
CN111859166B (zh) * | 2020-07-28 | 2022-11-25 | 重庆邮电大学 | 一种基于改进的图卷积神经网络的物品评分预测方法 |
CN112102029B (zh) * | 2020-08-20 | 2022-10-14 | 浙江大学 | 一种基于知识图谱的长尾推荐计算方法 |
CN112182131B (zh) * | 2020-09-28 | 2021-11-09 | 中国电子科技集团公司第五十四研究所 | 一种基于多属性融合的遥感影像推荐方法 |
CN112612973B (zh) * | 2020-12-31 | 2022-03-22 | 重庆邮电大学 | 结合知识图谱的个性化智能服装搭配推荐方法 |
CN113379482B (zh) * | 2021-05-28 | 2023-12-01 | 车智互联(北京)科技有限公司 | 一种物品推荐方法、计算设备以及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105630901A (zh) * | 2015-12-21 | 2016-06-01 | 清华大学 | 一种知识图谱表示学习方法 |
CN107391512B (zh) * | 2016-05-17 | 2021-05-11 | 北京邮电大学 | 知识图谱预测的方法和装置 |
CN107909421A (zh) * | 2017-09-29 | 2018-04-13 | 中国船舶重工集团公司第七0九研究所 | 一种基于用户空间的多gru层神经网络的隐含反馈推荐方法及系统 |
CN108763567A (zh) * | 2018-06-05 | 2018-11-06 | 北京玄科技有限公司 | 应用于智能机器人交互的知识推理方法及装置 |
CN108875053A (zh) * | 2018-06-28 | 2018-11-23 | 国信优易数据有限公司 | 一种知识图谱数据处理方法及装置 |
-
2018
- 2018-11-23 CN CN201811408918.4A patent/CN109508419B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109508419A (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508419B (zh) | 一种基于知识学习的推荐方法和系统 | |
US20210334625A1 (en) | Webinterface generation and testing using artificial neural networks | |
CN111339415B (zh) | 一种基于多交互式注意力网络的点击率预测方法与装置 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
CN111881350A (zh) | 一种基于混合图结构化建模的推荐方法与系统 | |
CN112967112B (zh) | 一种自注意力机制和图神经网络的电商推荐方法 | |
CN108647800B (zh) | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 | |
CN112989169B (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
CN112115377A (zh) | 一种基于社交关系的图神经网络链路预测推荐方法 | |
CN112507246B (zh) | 一种融合全局和局部社会兴趣影响的社会推荐方法 | |
CN110069713B (zh) | 一种基于用户上下文感知的个性化推荐方法 | |
CN102609465A (zh) | 基于潜在社群的信息推荐方法 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN113158071A (zh) | 一种基于图神经网络的知识社交推荐方法、系统和设备 | |
CN115168744A (zh) | 基于用户画像和知识图谱的广电技术知识推荐方法 | |
CN114036405A (zh) | 一种基于图卷积网络的社交推荐方法与系统 | |
CN105354339B (zh) | 基于上下文的内容个性化提供方法 | |
CN117033754A (zh) | 用于资源推送的模型处理方法、装置、设备、存储介质 | |
CN116010696A (zh) | 融合知识图谱和用户长短期兴趣的新闻推荐方法、系统及介质 | |
CN113704439B (zh) | 一种基于多来源信息异构图的会话推荐方法 | |
CN114547480A (zh) | 一种基于多平台融合的深度学习推荐方法以及系统 | |
CN111309968A (zh) | 一种个性化视频推荐方法和系统 | |
Chen et al. | SR-HetGNN: Session-based Recommendation with Heterogeneous Graph Neural Network | |
CN110807646A (zh) | 数据分析方法、装置和计算机可读存储介质 | |
Singh et al. | Bibliometric Patterns and Concept Evolution Trajectories in research publications in Future Generation Computer Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A recommendation method and system based on knowledge learning Effective date of registration: 20220824 Granted publication date: 20210209 Pledgee: China Construction Bank Corporation Chengdu hi tech sub branch Pledgor: CHENGDU PINGUO TECHNOLOGY Co.,Ltd. Registration number: Y2022510000251 |