CN110489540A - 一种基于知识图谱的学习内容推荐方法 - Google Patents
一种基于知识图谱的学习内容推荐方法 Download PDFInfo
- Publication number
- CN110489540A CN110489540A CN201910773390.9A CN201910773390A CN110489540A CN 110489540 A CN110489540 A CN 110489540A CN 201910773390 A CN201910773390 A CN 201910773390A CN 110489540 A CN110489540 A CN 110489540A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- model
- map
- study
- entity
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于知识图谱的学习内容推荐方法,涉及知识图谱技术领域。本发明包括如下步骤:获取学习设备上原始数据集;将本体库与原始数据集相互融合获取基础知识图谱;通过深度学习的Node2Vec网络表示算法,将基础知识图谱中的实体嵌入到n维空间;计算知识图谱之间的相似性;对基础推荐模型产生的特征比例权重集合,通过Node2Vec构建反馈特征模型;反馈模型与基础推荐模型构成混合模型;在混合模型上进行排序学习,产生Top‑N推荐列表。本发明构建基础知识图谱,通过排序学习构建反馈特征模型,融合用户兴趣迁移模型,再与基础特征模型构建混合模型,对混合模型进行排序学习产生Top‑N推荐列表,使知识图谱中不同特征融合更加快捷,提升了个性化推荐效果。
Description
技术领域
本发明属于知识图谱技术领域,特别是涉及一种基于知识图谱的学习内容推荐方法。
背景技术
知识图谱也被称为科学知识图谱,在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
目前,随着大数据时代的到来,网络上不断涌现的信息呈指数级增长,个性化推荐系统的研究和应用均取得了很大的进展,但是它依然面临着很多的挑战,比如数据稀疏性问题、冷启动问题、时效性问题、多样性推荐问题等。传统的推荐算法主要分为三类:协同过滤推荐算法、基于内容的推荐算法和混合推荐算法。这类推荐算法在一些应用场景下能取得良好的效果,但他们各自有一些缺陷,如协同过滤主要受冷启动影响,并且难以针对具有特殊喜好的用户进行个性化推荐;基于内容的推荐受物品内容信息提取技术的制约,而且推荐效果比较差;混合推荐难以整合多种推荐算法间的权重。
针对上述问题,本发明提供了一种基于知识图谱的学习内容推荐方法,能够有效解决知识图谱中不同特征的统合问题,提高了推荐效果。
发明内容
本发明的目的在于提供一种基于知识图谱的学习内容推荐方法,通过排序学习构建反馈特征模型,融合用户兴趣迁移模型,再与基础特征模型构建混合模型,对混合模型进行排序学习产生Top-N推荐列表,解决了现有的知识图谱中不同特征融合困难、个性化推荐效果不佳的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种基于知识图谱的学习内容推荐方法,包括如下步骤:
步骤S1:获取大量用户在学习设备上的用户信息以及对应的学习数据和浏览记录作为原始数据集;
步骤S2:将本体库与原始数据集相互融合获取基础知识图谱;
步骤S3:通过深度学习的Node2Vec网络表示算法,将基础知识图谱中的实体嵌入到n维空间;
步骤S4:计算知识图谱之间的相似性,构建训练模型作为排序学习模型的输入;
步骤S5:对基础推荐模型产生的特征比例权重集合,融合用户兴趣迁移模型生成混合知识图谱,并通过Node2Vec构建反馈特征模型;
步骤S6:反馈模型与基础推荐模型构成混合模型;
步骤S7:在混合模型上进行排序学习,产生Top-N推荐列表。
优选地,所述步骤S1中,从学习设备上获取的数据进行预处理才能得到需要的原始数据集,具体的预处理具体步骤如下:
步骤S11:将学习设备上获取的数据进行清洗;
步骤S12:将清洗后的数据进行语义解析;
步骤S13:根据语义解析结果,对用户信息、学习数据和浏览记录数据标注标签;
步骤S14:根据标签以及数据之间关系,构建基础知识图谱。
优选地,所述步骤S3中,基础知识图谱采用(实体,属性,属性值)三元组的形式描述,通过Node2Vec网络表示算法将实体嵌入到n维空间中,并生成对应的向量,得到实体向量集和属性向量集,并运用TransE算法对实体向量集和属性向量集进行翻译,从而获得一个能够快速计算实体件的语音相似性的三元组向量集。
优选地,所述步骤S4中,使用Node2Vec进行知识图谱网络特征学习,将实体映射到n维空间,在低维向量空间中,几何上越接近的实体相关性越大,利用向量的余弦相识度来计算实体ei和ej之间的相关性Sim(ei,ej);
其中,Sim(ei,ej)的计算公式为:
优选地,所述步骤S5中,构建的训练作为排序模型训练输入,通过决策函数产生Top-N推荐列表,并得到n维特征对排序结果的权重比例集合,用以构建反馈模型。
优选地,所述步骤S6中,基础知识图谱衡量用户的长期偏好,通过反馈模型和用户兴趣偏移模型构建混合知识图谱模型。
本发明具有以下有益效果:
本发明构建基础知识图谱,通过排序学习构建反馈特征模型,融合用户兴趣迁移模型,再与基础特征模型构建混合模型,对混合模型进行排序学习产生Top-N推荐列表,使知识图谱中不同特征融合更加快捷,提升了个性化推荐效果。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于知识图谱的学习内容推荐方法步骤图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种基于知识图谱的学习内容推荐方法,包括如下步骤:
步骤S1:获取大量用户在学习设备上的用户信息以及对应的学习数据和浏览记录作为原始数据集;
步骤S2:将本体库与原始数据集相互融合获取基础知识图谱;
步骤S3:通过深度学习的Node2Vec网络表示算法,将基础知识图谱中的实体嵌入到n维空间;
步骤S4:计算知识图谱之间的相似性,构建训练模型作为排序学习模型的输入;
步骤S5:对基础推荐模型产生的特征比例权重集合,融合用户兴趣迁移模型生成混合知识图谱,并通过Node2Vec构建反馈特征模型;
步骤S6:反馈模型与基础推荐模型构成混合模型;
步骤S7:在混合模型上进行排序学习,产生Top-N推荐列表。
优选地,所述步骤S1中,从学习设备上获取的数据进行预处理才能得到需要的原始数据集,具体的预处理具体步骤如下:
步骤S11:将学习设备上获取的数据进行清洗;
步骤S12:将清洗后的数据进行语义解析;
步骤S13:根据语义解析结果,对用户信息、学习数据和浏览记录数据标注标签;
步骤S14:根据标签以及数据之间关系,构建基础知识图谱。
优选地,所述步骤S3中,基础知识图谱采用(实体,属性,属性值)三元组的形式描述,通过Node2Vec网络表示算法将实体嵌入到n维空间中,并生成对应的向量,得到实体向量集和属性向量集,并运用TransE算法对实体向量集和属性向量集进行翻译,从而获得一个能够快速计算实体件的语音相似性的三元组向量集。
优选地,所述步骤S4中,使用Node2Vec进行知识图谱网络特征学习,将实体映射到n维空间,在低维向量空间中,几何上越接近的实体相关性越大,利用向量的余弦相识度来计算实体ei和ej之间的相关性Sim(ei,ej);
其中,Sim(ei,ej)的计算公式为:
优选地,所述步骤S5中,构建的训练作为排序模型训练输入,通过决策函数产生Top-N推荐列表,并得到n维特征对排序结果的权重比例集合,用以构建反馈模型,通过对训练集进行处理,为用户实体对(Ui,Ij)进行标注yij,在构建的基础知识图谱上,计算(Ui,Ij)在单一物品上下文特征feature下的相似性,构建特征向量
构建训练集作为排序模型训练输入,由最优化函数来获得一个决策函数f:Rn→Y,决策函数产生Top-N推荐列表,并得到多维特征对排序结果的权重比例集合Z={η1,η2,η3,...,η|feature|},用以构建反馈模型。
本发明既能解决知识图谱异构特征件的权重比例,也能够考虑用户的长期、短期偏好和用户兴趣迁移等因素,能够提高个性化推荐效果。
优选地,所述步骤S6中,基础知识图谱衡量用户的长期偏好,通过反馈模型和用户兴趣偏移模型构建混合知识图谱模型。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种基于知识图谱的学习内容推荐方法,其特征在于,包括如下步骤:
步骤S1:获取大量用户在学习设备上的用户信息以及对应的学习数据和浏览记录作为原始数据集;
步骤S2:将本体库与原始数据集相互融合获取基础知识图谱;
步骤S3:通过深度学习的Node2Vec网络表示算法,将基础知识图谱中的实体嵌入到n维空间;
步骤S4:计算知识图谱之间的相似性,构建训练模型作为排序学习模型的输入;
步骤S5:对基础推荐模型产生的特征比例权重集合,融合用户兴趣迁移模型生成混合知识图谱,并通过Node2Vec构建反馈特征模型;
步骤S6:反馈模型与基础推荐模型构成混合模型;
步骤S7:在混合模型上进行排序学习,产生Top-N推荐列表。
2.根据权利要求1所述的一种基于知识图谱的学习内容推荐方法,其特征在于,所述步骤S1中,从学习设备上获取的数据进行预处理才能得到需要的原始数据集,具体的预处理具体步骤如下:
步骤S11:将学习设备上获取的数据进行清洗;
步骤S12:将清洗后的数据进行语义解析;
步骤S13:根据语义解析结果,对用户信息、学习数据和浏览记录数据标注标签;
步骤S14:根据标签以及数据之间关系,构建基础知识图谱。
3.根据权利要求1所述的一种基于知识图谱的学习内容推荐方法,其特征在于,所述步骤S3中,基础知识图谱采用(实体,属性,属性值)三元组的形式描述,通过Node2Vec网络表示算法将实体嵌入到n维空间中,并生成对应的向量,得到实体向量集和属性向量集,并运用TransE算法对实体向量集和属性向量集进行翻译,从而获得一个能够快速计算实体件的语音相似性的三元组向量集。
4.根据权利要求1所述的一种基于知识图谱的学习内容推荐方法,其特征在于,所述步骤S4中,使用Node2Vec进行知识图谱网络特征学习,将实体映射到n维空间,在低维向量空间中,几何上越接近的实体相关性越大,利用向量的余弦相识度来计算实体ei和ej之间的相关性Sim(ei,ej);
其中,Sim(ei,ej)的计算公式为:
5.根据权利要求1所述的一种基于知识图谱的学习内容推荐方法,其特征在于,所述步骤S5中,构建的训练作为排序模型训练输入,通过决策函数产生Top-N推荐列表,并得到n维特征对排序结果的权重比例集合,用以构建反馈模型。
6.根据权利要求1所述的一种基于知识图谱的学习内容推荐方法,其特征在于,所述步骤S6中,基础知识图谱衡量用户的长期偏好,通过反馈模型和用户兴趣偏移模型构建混合知识图谱模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910773390.9A CN110489540A (zh) | 2019-08-21 | 2019-08-21 | 一种基于知识图谱的学习内容推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910773390.9A CN110489540A (zh) | 2019-08-21 | 2019-08-21 | 一种基于知识图谱的学习内容推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110489540A true CN110489540A (zh) | 2019-11-22 |
Family
ID=68552460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910773390.9A Pending CN110489540A (zh) | 2019-08-21 | 2019-08-21 | 一种基于知识图谱的学习内容推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110489540A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111190968A (zh) * | 2019-12-16 | 2020-05-22 | 北京航天智造科技发展有限公司 | 基于知识图谱的数据预处理和内容推荐方法 |
CN111369318A (zh) * | 2020-02-28 | 2020-07-03 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及系统 |
CN111582509A (zh) * | 2020-05-07 | 2020-08-25 | 南京邮电大学 | 一种基于知识图谱表示学习和神经网络的协同推荐方法 |
CN112052389A (zh) * | 2020-08-27 | 2020-12-08 | 安徽聚戎科技信息咨询有限公司 | 一种基于区域链的知识推荐方法 |
CN112100323A (zh) * | 2020-08-18 | 2020-12-18 | 淮阴工学院 | 一种基于表示学习的隐藏关联挖掘方法 |
CN112528153A (zh) * | 2020-12-22 | 2021-03-19 | 北京百度网讯科技有限公司 | 内容推荐方法、装置、设备、存储介质以及程序产品 |
CN113051468A (zh) * | 2021-02-22 | 2021-06-29 | 山东师范大学 | 一种基于知识图谱和强化学习的电影推荐方法及系统 |
CN116235165A (zh) * | 2020-08-14 | 2023-06-06 | 西门子股份公司 | 一种智能提供推荐信息的方法和装置 |
CN116738864A (zh) * | 2023-08-08 | 2023-09-12 | 深圳市设际邹工业设计有限公司 | 一种工业设计产品的智能推荐方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920527A (zh) * | 2018-06-07 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
-
2019
- 2019-08-21 CN CN201910773390.9A patent/CN110489540A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920527A (zh) * | 2018-06-07 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
Non-Patent Citations (2)
Title |
---|
吴玺煜等: "基于知识图谱表示学习的协同过滤推荐算法", 《人工智能及识别技术》 * |
杨晋吉等: "一种知识图谱的排序学习个性化推荐算法", 《小型微型计算机系统》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111190968A (zh) * | 2019-12-16 | 2020-05-22 | 北京航天智造科技发展有限公司 | 基于知识图谱的数据预处理和内容推荐方法 |
CN111369318A (zh) * | 2020-02-28 | 2020-07-03 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及系统 |
CN111369318B (zh) * | 2020-02-28 | 2024-02-02 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及系统 |
CN111582509A (zh) * | 2020-05-07 | 2020-08-25 | 南京邮电大学 | 一种基于知识图谱表示学习和神经网络的协同推荐方法 |
CN111582509B (zh) * | 2020-05-07 | 2022-09-02 | 南京邮电大学 | 一种基于知识图谱表示学习和神经网络的协同推荐方法 |
CN116235165A (zh) * | 2020-08-14 | 2023-06-06 | 西门子股份公司 | 一种智能提供推荐信息的方法和装置 |
CN112100323A (zh) * | 2020-08-18 | 2020-12-18 | 淮阴工学院 | 一种基于表示学习的隐藏关联挖掘方法 |
CN112100323B (zh) * | 2020-08-18 | 2023-11-03 | 淮阴工学院 | 一种基于表示学习的隐藏关联挖掘方法 |
CN112052389A (zh) * | 2020-08-27 | 2020-12-08 | 安徽聚戎科技信息咨询有限公司 | 一种基于区域链的知识推荐方法 |
CN112528153A (zh) * | 2020-12-22 | 2021-03-19 | 北京百度网讯科技有限公司 | 内容推荐方法、装置、设备、存储介质以及程序产品 |
CN112528153B (zh) * | 2020-12-22 | 2024-03-08 | 北京百度网讯科技有限公司 | 内容推荐方法、装置、设备、存储介质以及程序产品 |
CN113051468B (zh) * | 2021-02-22 | 2023-04-07 | 山东师范大学 | 一种基于知识图谱和强化学习的电影推荐方法及系统 |
CN113051468A (zh) * | 2021-02-22 | 2021-06-29 | 山东师范大学 | 一种基于知识图谱和强化学习的电影推荐方法及系统 |
CN116738864A (zh) * | 2023-08-08 | 2023-09-12 | 深圳市设际邹工业设计有限公司 | 一种工业设计产品的智能推荐方法及系统 |
CN116738864B (zh) * | 2023-08-08 | 2024-01-09 | 深圳市设际邹工业设计有限公司 | 一种工业设计产品的智能推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110489540A (zh) | 一种基于知识图谱的学习内容推荐方法 | |
CN104899273B (zh) | 一种基于话题和相对熵的网页个性化推荐方法 | |
US9183281B2 (en) | Context-based document unit recommendation for sensemaking tasks | |
CA2723179C (en) | Method, system, and computer program for user-driven dynamic generation of semantic networks and media synthesis | |
CN102968465B (zh) | 网络信息服务平台及其基于该平台的搜索服务方法 | |
Huang et al. | Clustering graphs for visualization via node similarities | |
Amato et al. | Kira: A system for knowledge-based access to multimedia art collections | |
Estellés et al. | Social bookmarking tools as facilitators of learning and research collaborative processes: The Diigo case | |
CN110968782A (zh) | 一种面向学者的用户画像构建及应用方法 | |
Stock et al. | To ontologise or not to ontologise: An information model for a geospatial knowledge infrastructure | |
CN113761383B (zh) | 一种基于统一用户行为建模的搜索和推荐融合系统 | |
Guo et al. | User relationship strength modeling for friend recommendation on Instagram | |
Godoy et al. | Interface agents personalizing Web-based tasks | |
Cena et al. | Propagating user interests in ontology-based user model | |
Bartolini et al. | Recommending multimedia objects in cultural heritage applications | |
Priyatharshini et al. | Association based image retrieval: a survey | |
US20080294626A1 (en) | Method and apparatus for leveraged search and discovery - leveraging properties of trails and resources within | |
CN116186413A (zh) | 一种用于多模态特征推荐的方法和系统 | |
Hu et al. | Developing navigation graphs for TED talks | |
Posea et al. | Bringing the social semantic web to the personal learning environment | |
Tvarozek | Supporting search result browsing and exploration via cluster-based views and zoom-based navigation | |
Qassimi et al. | Enrichment of ontology by exploiting collaborative tagging systems: a contextual semantic approach | |
KR101476768B1 (ko) | 협업 필터링을 이용한 온라인 마인드맵 주제어 자동 추천 방법 | |
Kang et al. | FCA-based conceptual knowledge discovery in Folksonomy | |
Kolstad et al. | Rethinking Conventional Collaborative Filtering for Recommending Daily Fashion Outfits. |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |
|
RJ01 | Rejection of invention patent application after publication |