CN110955834B - 一种知识图谱驱动的个性化精准推荐方法 - Google Patents
一种知识图谱驱动的个性化精准推荐方法 Download PDFInfo
- Publication number
- CN110955834B CN110955834B CN201911183454.6A CN201911183454A CN110955834B CN 110955834 B CN110955834 B CN 110955834B CN 201911183454 A CN201911183454 A CN 201911183454A CN 110955834 B CN110955834 B CN 110955834B
- Authority
- CN
- China
- Prior art keywords
- knowledge graph
- user
- node
- article
- knowledge
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Abstract
本发明提供一种知识图谱驱动的个性化精准推荐方法,根据用户历史行为,从知识库中获取物品的相关知识,构建知识图,初始化每个节点和连接的向量表示并确定节点的感受域;根据用户历史行为,生成训练样本,初始化所有的用户和物品的向量表示;获取训练样本中物品在知识图谱中对应实体的感受域,将其感受域以及样本作为图神经网络模型输入,得到用户和物品发生交互的可能性预测值;通过最小化损失函数,优化模型参数;模型优化过程结束后,将某一用户和所有物品发生交互的可能性预测值进行排序,获得该用户的推荐列表。本发明利用知识图谱信息,弥补了原用户历史行为信息的稀疏性,从多维角度刻画了用户和物品,使得个性化推荐结果更加精准。
Description
技术领域
本发明涉及机器学习领域,尤其涉及一种知识图谱驱动的个性化精准推荐方法。
背景技术
随着信息技术和互联网的发展,人们已经从信息匮乏的时代逐渐进入信息超载的时代。在这个时代,信息消费者和信息生产者都面临着巨大的挑战:作为信息消费者,如何从大量信息中找到感兴趣的信息是非常困难的。作为信息生产者,如何使他们产生的信息脱颖而出并受到用户的关注也是一件非常困难的事情。推荐系统是解决这一矛盾的重要工具。推荐系统作为一种信息过滤系统,通过用户的历史行为、偏好等信息,向用户推荐其最可能感兴趣的信息。
由于信息过载的问题愈发严峻,越来越多的研究人员开始致力于推荐系统的研究。之前,许多研究集中在优化协同过滤上。协作过滤技术通过用户和物品之间的交互来预测用户将来可能的行为。尽管协作过滤在许多情况下简单而高效,但在用户和物品交互稀疏的情况下推荐效果不佳。为了解决这一难题,研究人员使用辅助信息来更准确地描述用户和对象的特征,弥补数据稀疏的问题。越来越多的研究者选择使用知识图谱作为辅助信息。相较于其他辅助信息,知识图谱有三方面的优势。知识图谱包含丰富的语义信息,其中包含了用户的潜在兴趣,这有助于推荐结果的精准性。知识图谱中不同的关系链接使得数据更加稠密,推荐结果容易发散,有助于推荐结果的多样性。知识图谱中的推荐结果会与之前用户的历史行为存在链接关系,同时知识图谱根据用户的历史行为可以推测出用户一定的兴趣,这为推荐结果带来了一定的可解释性。
2019年以来,基于图神经网络(GNN)的知识图谱驱动的推荐系统逐渐出现。基于GNN的方法使模型能够通过端到端的训练来学习节点的表示,并充分利用知识图谱中的语义和结构信息,解决了之前方法手动提取特征的弊端。目前,基于GNN的方法主要将图卷积网络(GCN)的体系结构扩展到知识图谱驱动的推荐系统。虽然这些模型在一些公开数据集上被证明是有效的,但是模型中节点的交互不充分,使得知识图谱中的节点表示不够精准。
发明内容
发明针对目前基于图神经网络的知识图谱驱动的推荐模型节点表示不够精准,提出了一种多维交互的知识图谱图神经网络模型,在消息传递过程中加入用户特征并在聚合过程中增加邻居节点和中心节点的交互,以此调整节点表示的更新方向。该方法可以更充分利用知识图谱的信息,精准的表示节点的特征,提升推荐结果的精准性。
一种知识图谱驱动的个性化精准推荐方法,包括以下步骤:
S1、根据用户历史行为,从知识库中获取物品的相关知识,构建知识图谱;
S2、对已构建的知识图谱,初始化每个节点和连接的向量表示并确定节点的感受域;
S3、根据用户历史行为,生成训练样本,初始化所有的用户和物品的向量表示;
S4、对每一个训练样本,获取训练样本中物品在知识图谱中对应实体的感受域,将其感受域以及样本作为图神经网络模型输入,得到用户和物品发生交互的可能性预测值;通过最小化损失函数,优化模型参数;
S5、模型优化过程结束后,将某一用户和所有物品发生交互的可能性预测值进行排序,获得该用户的推荐列表。
进一步的,一种知识图谱驱动的个性化精准推荐方法,所述S1中所构建的知识图谱中,所述物品与物品的属性均作为其实体节点。
进一步的,一种知识图谱驱动的个性化精准推荐方法,所述S1中所述与物品相关的知识以三元组<h,r,t>的方式构成知识图谱。
进一步的,一种知识图谱驱动的个性化精准推荐方法,所述S2中初始化所有节点和连接的向量表示方法为Xavier初始化。
进一步的,一种知识图谱驱动的个性化精准推荐方法,所述S2中确定每个节点的感受域方法具体为:
S21:根据知识图谱,确定所有节点的一跳邻居;
S22:根据事先确定的邻居大小k,每个节点随机选择k个一跳邻居,若一跳邻居数小于k个,则随机重复出现被选择过的邻居直到邻居数至k个;
S23:据事先确定的感受域深度h,形成每个节点的感受域;对于每个节点而言,一跳邻居的一跳邻居成为该节点的两跳邻居,两跳邻居的一跳邻居成为该节点的三跳邻居,以此类推至h跳邻居,所有的邻居成为该节点的感受域。
进一步的,一种知识图谱驱动的个性化精准推荐方法,所述S3中生成训练样本的方法为:每一条用户的历史行为,对应的用户-物品链接<u,v,1>作为正样本,同时生成对应数量的负样本<u,v’,0>。
进一步的,一种知识图谱驱动的个性化精准推荐方法,所述S3中初始化用户与物品的向量表示的方法为Xavier初始化。
进一步的,一种知识图谱驱动的个性化精准推荐方法,所述S4中,图神经网络模型运算包括以下步骤:
S41、所有节点通过连接向邻近节点传播其特征,传播过程中同时考虑连接类型r与用户特征u;
S42、对于每个节点,其所有一跳邻居传播的特征集合为其邻域特征,将邻域特征与该节点的特征元素级相乘,将结果与领域特征、节点特征加权求和并输入聚合函数,得到每个节点的新特征;
S43、重复S41到S42,重复h-1次后物品对应实体的新特征作为物品的向量表示;
S44、通过预测函数计算物品与用户产生交互的可能性,所述预测函数为物品的向量表示与用户的向量表示的内积;
S45、计算损失函数,通过Adam优化算法最小化损失函数,更新模型参数。
本发明的有益效果为:本发明利用知识图谱信息,弥补了原用户历史行为信息的稀疏性,从多维角度刻画了用户和物品,使得个性化推荐结果更加精准;本发明通过在消息传播过程和聚合过程中增加节点间的交互,改变了节点表示的更新方向,使得节点更新方向满足了以下四个常识:购买同样物品的用户更接近、同一用户购买的物品更接近、拥有相同属性的物品更接近、拥有相同兴趣的用户更接近。这使得模型具有一定的可解释性,并且节点表示更加精准。本发明提供了一种可以端到端训练的模型架构,不需要人工提取特征,模型将不会引入人为偏见,同时减少了人工设计流程。
附图说明
图1为本发明一种知识图谱驱动的个性化精准推荐方法的流程图;
图2为一种知识图谱驱动的个性化精准推荐方法中图神经网络计算过程;
图3为一种知识图谱驱动的个性化精准推荐方法消息传播过程中边的权值计算;
图4为一种知识图谱驱动的个性化精准推荐方法聚合过程中中心节点新状态生成过程。
具体实施方式
下面结合附图来进一步描述本发明的技术方案。
一种知识图谱驱动的个性化精准推荐方法,包括以下步骤:
S1、根据用户历史行为,从知识库中获取物品的相关知识,构建知识图谱;
S2、对已构建的知识图谱,初始化每个节点和连接的向量表示并确定节点的感受域;
S3、根据用户历史行为,生成训练样本,初始化所有的用户和物品的向量表示;
S4、对每一个训练样本,获取训练样本中物品在知识图谱中对应实体的感受域,将其感受域以及样本作为图神经网络模型输入,得到用户和物品发生交互的可能性预测值;通过最小化损失函数,优化模型参数;
S5、模型优化过程结束后,将某一用户和所有物品发生交互的可能性预测值进行排序,获得该用户的推荐列表。
下面来具体描述本发明的技术方案:
S1、根据用户历史行为,从知识库中获取物品的相关知识,构建知识图谱。
所构建的知识图谱中,所述物品与物品的属性均作为其实体节点;所述与物品相关的知识以三元组<h,r,t>的方式构成知识图谱。例如存在已知知识“陈凯歌导演了我和我的祖国”,可以将其转换为三元组<我和我的祖国,导演,陈凯歌>。
S2、对已构建的知识图谱,初始化每个节点和连接的向量表示并确定节点的感受域。
所述初始化所有节点和连接的向量表示方法为Xavier初始化。
所述确定每个节点的感受域方法具体为:
S21:根据知识图谱,确定所有节点的一跳邻居;
S22:根据事先确定的邻居大小k,每个节点随机选择k个一跳邻居,若一跳邻居数小于k个,则随机重复出现被选择过的邻居直到邻居数至k个;
S23:据事先确定的感受域深度h,形成每个节点的感受域;对于每个节点而言,一跳邻居的一跳邻居成为该节点的两跳邻居,两跳邻居的一跳邻居成为该节点的三跳邻居,以此类推至h跳邻居,所有的邻居成为该节点的感受域。
S3、根据用户历史行为,生成训练样本,初始化所有的用户和物品的向量表示。
所述生成训练样本的方法为:每一条用户的历史行为,对应的用户-物品链接<u,v,1>作为正样本,同时生成对应数量的负样本<u,v’,0>。所述初始化用户与物品的向量表示的方法为Xavier初始化。
S4、对每一个训练样本,获取训练样本中物品在知识图谱中对应实体的感受域,将其感受域以及样本作为图神经网络模型输入,得到用户和物品发生交互的可能性预测值;通过最小化损失函数,优化模型参数。
所述图神经网络模型运算包括以下步骤:
S41、所有节点通过连接向邻近节点传播其特征,传播过程中同时考虑连接类型r与用户特征u;在此过程中,每条连接的权值为:
式中u为用户表示,v为物品在知识图谱中对应的节点表示,vN为该节点的某个邻居节点表示,r为v与的vN连接的向量表示,Nv(i)为节点v的感受域集合。
S42、对于每个节点,其所有一跳邻居传播的特征集合为其邻域特征,将邻域特征与该节点的特征元素级相乘,将结果与领域特征、节点特征加权求和并输入聚合函数,得到每个节点的新特征;
所述邻域特征表示为:
所述聚合函数表示为:
agt=σ(W1(v+puv)+W2Q(v,puv)+b)。
S43、重复S41到S42,重复h-1次后物品对应实体的新特征作为物品的向量表示;
S44、通过预测函数计算物品与用户产生交互的可能性,所述预测函数为物品的向量表示与用户的向量表示的内积;所述内积表示为:
S45、计算损失函数,通过Adam优化算法最小化损失函数,更新模型参数;所述损失函数为:
S5、模型优化过程结束后,将某一用户和所有物品发生交互的可能性预测值进行排序,获得该用户的推荐列表。
Claims (6)
1.一种知识图谱驱动的个性化精准推荐方法,其特征在于:包括以下步骤:S1、根据用户历史行为,从知识库中获取物品的相关知识,构建知识图谱;S2、对已构建的知识图谱,初始化每个节点和连接的向量表示并确定节点的感受域;S3、根据用户历史行为,生成训练样本,初始化所有的用户和物品的向量表示;S4、对每一个训练样本,获取训练样本中物品在知识图谱中对应实体的感受域,将其感受域以及样本作为图神经网络模型输入,得到用户和物品发生交互的可能性预测值;通过最小化损失函数,优化模型参数;S5、模型优化过程结束后,将某一用户和所有物品发生交互的可能性预测值进行排序,获得该用户的推荐列表;
所述S2中确定每个节点的感受域方法具体为:S21:根据知识图谱,确定所有节点的一跳邻居;S22:根据事先确定的邻居大小k,每个节点随机选择k个一跳邻居,若一跳邻居数小于k个,则随机重复出现被选择过的邻居直到邻居数至k个;S23:据事先确定的感受域深度h,形成每个节点的感受域;对于每个节点而言,一跳邻居的一跳邻居成为该节点的两跳邻居,两跳邻居的一跳邻居成为该节点的三跳邻居,以此类推至h跳邻居,所有的邻居成为该节点的感受域;
所述S4中,图神经网络模型运算包括以下步骤:S41、所有节点通过连接向邻近节点传播其特征,传播过程中同时考虑连接类型r与用户特征u;S42、对于每个节点,其所有一跳邻居传播的特征集合为其邻域特征,将邻域特征与该节点的特征元素级相乘,将结果与领域特征、节点特征加权求和并输入聚合函数,得到每个节点的新特征;S43、重复S41到S42,重复h-1次后物品对应实体的新特征作为物品的向量表示;S44、通过预测函数计算物品与用户产生交互的可能性,所述预测函数为物品的向量表示与用户的向量表示的内积;S45、计算损失函数,通过Adam优化算法最小化损失函数,更新模型参数。
2.根据权利要求1所述的一种知识图谱驱动的个性化精准推荐方法,其特征在于:所述S1所构建的知识图谱中,所述物品与物品的属性均作为其实体节点。
3.根据权利要求1所述的一种知识图谱驱动的个性化精准推荐方法,其特征在于:所述物品的相关知识以三元组<H,R,T>的方式构成知识图谱。
4.根据权利要求1所述的一种知识图谱驱动的个性化精准推荐方法,其特征在于:所述S2中初始化所有节点和连接的向量表示方法为Xavier初始化。
5.根据权利要求1所述的一种知识图谱驱动的个性化精准推荐方法,其特征在于:所述S3中生成训练样本的方法为:每一条用户的历史行为,对应的用户-物品链接<u,v,1>作为正样本,同时生成对应数量的负样本<u,v’,0>。
6.根据权利要求1所述的一种知识图谱驱动的个性化精准推荐方法,其特征在于:所述S3中初始化用户与物品的向量表示的方法为Xavier初始化。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911183454.6A CN110955834B (zh) | 2019-11-27 | 2019-11-27 | 一种知识图谱驱动的个性化精准推荐方法 |
PCT/CN2020/117181 WO2021103789A1 (zh) | 2019-11-27 | 2020-09-23 | 一种知识图谱驱动的个性化精准推荐方法 |
US17/726,461 US20220245488A1 (en) | 2019-11-27 | 2022-04-21 | Accurate and personalized recommendation method based on knowledge graph |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911183454.6A CN110955834B (zh) | 2019-11-27 | 2019-11-27 | 一种知识图谱驱动的个性化精准推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110955834A CN110955834A (zh) | 2020-04-03 |
CN110955834B true CN110955834B (zh) | 2023-07-07 |
Family
ID=69976996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911183454.6A Active CN110955834B (zh) | 2019-11-27 | 2019-11-27 | 一种知识图谱驱动的个性化精准推荐方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220245488A1 (zh) |
CN (1) | CN110955834B (zh) |
WO (1) | WO2021103789A1 (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955834B (zh) * | 2019-11-27 | 2023-07-07 | 西北工业大学 | 一种知识图谱驱动的个性化精准推荐方法 |
CN111507796A (zh) * | 2020-04-07 | 2020-08-07 | 桂林电子科技大学 | 一种基于知识图谱的网上商城商品推荐方法 |
CN111539786B (zh) * | 2020-04-15 | 2022-05-06 | 清华大学 | 条件注意力网络及其在个性化推荐中的应用方法及装置 |
CN113742531B (zh) * | 2020-05-27 | 2023-09-01 | 杭州海康威视数字技术股份有限公司 | 一种图推荐方法、装置及电子设备 |
CN111967972B (zh) * | 2020-08-18 | 2024-02-27 | 中国银行股份有限公司 | 理财产品推荐方法及装置 |
CN111986006A (zh) * | 2020-09-02 | 2020-11-24 | 深圳壹账通智能科技有限公司 | 基于知识图谱的产品推荐方法、装置、计算机设备及存储介质 |
CN112115358B (zh) * | 2020-09-14 | 2024-04-16 | 中国船舶重工集团公司第七0九研究所 | 一种利用知识图谱中多跳路径特征的个性化推荐方法 |
CN116249987A (zh) * | 2020-09-22 | 2023-06-09 | 维萨国际服务协会 | 具有更新向量的基于图学习的系统 |
CN112398819A (zh) * | 2020-11-02 | 2021-02-23 | 杭州海康威视数字技术股份有限公司 | 异常识别的方法及装置 |
CN112232925A (zh) * | 2020-11-02 | 2021-01-15 | 哈尔滨工程大学 | 一种融合知识图谱对商品进行个性化推荐的方法 |
CN112487199B (zh) * | 2020-11-24 | 2022-02-18 | 杭州电子科技大学 | 一种基于用户购买行为的用户特征预测方法 |
CN112667885B (zh) * | 2020-12-04 | 2022-08-16 | 四川长虹电器股份有限公司 | 一种耦合社会信任信息的矩阵分解协同过滤方法和系统 |
CN112559864B (zh) * | 2020-12-14 | 2023-03-31 | 西安电子科技大学 | 一种基于知识图谱增强的双线性图网络推荐方法和系统 |
CN112632296B (zh) * | 2020-12-31 | 2022-09-23 | 上海交通大学 | 基于知识图谱具有可解释性的论文推荐方法及系统、终端 |
CN112801751B (zh) * | 2021-02-04 | 2022-12-23 | 重庆邮电大学 | 一种多任务图神经网络的个性化景区推荐方法 |
CN112950321A (zh) * | 2021-03-10 | 2021-06-11 | 北京汇钧科技有限公司 | 一种物品推荐方法和装置 |
CN115496174B (zh) * | 2021-06-18 | 2023-09-26 | 中山大学 | 优化网络表示学习的方法、模型训练方法和系统 |
CN113407834A (zh) * | 2021-06-18 | 2021-09-17 | 北京工业大学 | 一种基于知识图谱辅助的用户多维度兴趣抽取方法 |
CN113780097B (zh) * | 2021-08-17 | 2023-12-01 | 北京数慧时空信息技术有限公司 | 基于知识图谱和深度学习的耕地提取方法 |
CN113901319B (zh) * | 2021-10-18 | 2024-03-26 | 桂林电子科技大学 | 一种基于序列语义与属性图特征学习的地点推荐方法 |
CN114491055B (zh) * | 2021-12-10 | 2022-11-08 | 浙江辰时科技集团有限公司 | 基于知识图谱的推荐方法 |
CN114169975A (zh) * | 2021-12-17 | 2022-03-11 | 福州大学 | 基于随机游走异构注意力的购物网络商品推荐方法及系统 |
CN114265982B (zh) * | 2021-12-22 | 2022-08-26 | 北京中科闻歌科技股份有限公司 | 一种基于知识图谱的智能推荐方法 |
CN115618108B (zh) * | 2022-10-24 | 2023-05-26 | 云南中烟工业有限责任公司 | 新零售模式下基于知识图谱的品牌推荐方法 |
CN116051247B (zh) * | 2023-03-23 | 2023-07-14 | 新立讯科技股份有限公司 | 一种基于多模态知识图谱的农林牧产品推荐方法及系统 |
CN116402589B (zh) * | 2023-06-05 | 2023-09-15 | 湖南师范大学 | 一种基于知识图和旋转编码的商品推荐方法及系统 |
CN117094762B (zh) * | 2023-10-17 | 2024-01-23 | 北京中奥通宇科技股份有限公司 | 一种基于ai人工智能的用户权益推荐方法和系统 |
CN117312542B (zh) * | 2023-11-29 | 2024-02-13 | 泰山学院 | 基于人工智能的阅读推荐方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733798A (zh) * | 2018-05-17 | 2018-11-02 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN108804633A (zh) * | 2018-06-01 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 基于行为语义知识网络的内容推荐方法 |
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 |
CN110321482A (zh) * | 2019-06-11 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 一种信息的推荐方法、装置及设备 |
CN110489547A (zh) * | 2019-07-11 | 2019-11-22 | 桂林电子科技大学 | 一种基于混合式监督学习的旅游景点推荐方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10521457B2 (en) * | 2017-07-26 | 2019-12-31 | General Electric Company | Subject matter expert knowledge mapping using dynamic clustering |
CN110955834B (zh) * | 2019-11-27 | 2023-07-07 | 西北工业大学 | 一种知识图谱驱动的个性化精准推荐方法 |
-
2019
- 2019-11-27 CN CN201911183454.6A patent/CN110955834B/zh active Active
-
2020
- 2020-09-23 WO PCT/CN2020/117181 patent/WO2021103789A1/zh active Application Filing
-
2022
- 2022-04-21 US US17/726,461 patent/US20220245488A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733798A (zh) * | 2018-05-17 | 2018-11-02 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN108804633A (zh) * | 2018-06-01 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 基于行为语义知识网络的内容推荐方法 |
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 |
CN110321482A (zh) * | 2019-06-11 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 一种信息的推荐方法、装置及设备 |
CN110489547A (zh) * | 2019-07-11 | 2019-11-22 | 桂林电子科技大学 | 一种基于混合式监督学习的旅游景点推荐方法及装置 |
Non-Patent Citations (4)
Title |
---|
Jointing Knowledge Graph and Neural Network for TOP-N Recommendation;Wei Chen等;《Springer Link》;20190823;第190-195页 * |
KGAT:Knowledge Graph Attention Networks for Recommendation;Xiang Wang等;《arXiv》;20190520;第1-9页 * |
基于深度学习模型的感应电机故障诊断方法研究;孙文珺;《中国优秀硕士学位论文全文数据库信息科技辑》;20180115(第01期);第I140-104页 * |
基于深度学习融入实体描述的知识图谱表示学习研究;靳京;《中国优秀硕士学位论文全文数据库信息科技辑》;20181215(第12期);第I138-1915页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110955834A (zh) | 2020-04-03 |
WO2021103789A1 (zh) | 2021-06-03 |
US20220245488A1 (en) | 2022-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110955834B (zh) | 一种知识图谱驱动的个性化精准推荐方法 | |
CN111523047B (zh) | 基于图神经网络的多关系协同过滤算法 | |
CN112232925A (zh) | 一种融合知识图谱对商品进行个性化推荐的方法 | |
CN111563164B (zh) | 一种基于图神经网络的特定目标情感分类方法 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
CN111125530B (zh) | 一种基于多类型特征深度学习的信息流推荐方法 | |
CN112115377B (zh) | 一种基于社交关系的图神经网络链路预测推荐方法 | |
CN112613602A (zh) | 基于知识感知超图神经网络的推荐方法及系统 | |
CN110619081A (zh) | 一种基于交互图神经网络的新闻推送方法 | |
JP2023519770A (ja) | マルチタスク向けの予めトレーニング言語モデルの自動圧縮方法及びプラットフォーム | |
CN106407379A (zh) | 一种基于Hadoop平台的电影推荐方法 | |
CN110472115B (zh) | 一种基于深度学习的社交网络文本情感细粒度分类方法 | |
CN117216281A (zh) | 一种基于知识图谱的用户兴趣扩散推荐方法及系统 | |
CN112364245B (zh) | 基于异构信息网络嵌入的Top-K电影推荐方法 | |
CN112256918B (zh) | 一种基于多模态动态路由的短视频点击率预测方法 | |
CN108830680A (zh) | 基于离散分解机的个性化推荐方法、系统及存储介质 | |
CN114817758A (zh) | 一种基于nsgc-gru集成模型的推荐系统方法 | |
CN113744023A (zh) | 一种基于图卷积网络的双通道协同过滤推荐方法 | |
KR102600697B1 (ko) | 제한적 볼츠만 머신 구동 기반의 인터랙티브 맞춤형 검색 방법 | |
CN114254199A (zh) | 基于二分图投影和node2vec的课程推荐方法 | |
CN114329167A (zh) | 超参数学习、智能推荐、关键词和多媒体推荐方法及装置 | |
Nie | Research on Personalized Recommendation Algorithm of Internet Platform Goods Based on Knowledge Graph | |
CN117520665B (zh) | 一种基于生成对抗网络的社交推荐方法 | |
Xiao et al. | A hybrid recommendation algorithm based on weighted stochastic block model | |
CN117037919A (zh) | 一种基于图神经网络和结构生成的分子性质分类方法及系统 |
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 |