CN111125540A - 一种融合知识图谱表示学习和偏置矩阵分解的推荐方法 - Google Patents
一种融合知识图谱表示学习和偏置矩阵分解的推荐方法 Download PDFInfo
- Publication number
- CN111125540A CN111125540A CN201911100389.6A CN201911100389A CN111125540A CN 111125540 A CN111125540 A CN 111125540A CN 201911100389 A CN201911100389 A CN 201911100389A CN 111125540 A CN111125540 A CN 111125540A
- Authority
- CN
- China
- Prior art keywords
- user
- knowledge graph
- recommended
- recommended item
- item
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 60
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，结合了知识表示学习、基于偏置矩阵分解和梯度下降的优化方法。首先，通过现有知识库构建项目推荐的知识图谱；其次，利用知识图谱表示学习将项目实体嵌入低维的向量空间，接着，利用相似度函数计算低维向量空间中项目之间的相似性，最后，将相似性潜在因子融入偏置矩阵分解模型中，以此融入项目间的隐含信息。本发明提高评分预测的准确性从而有效的提高推荐的成功率和精准度。
Description
技术领域
本发明涉及推荐系统与知识图谱表示学习领域，特别是指一种融合知识图谱表示学习和偏置矩阵分解的推荐方法。
背景技术
随着信息技术和互联网的发展为人们的工作生活来了很多便利，为用户提供多样化的获取信息内容的方式，但随之来了一些信息超载等问题的困扰。如何抓住不同用户的个性化需求；如何建立用户和商品的连接，找出那些隐藏的连接呈现给用户；如何能跟进用户兴趣的迁移，如何为用户提供新颖、准确、时效性强的个性化推荐已经成为各个商家面对的主要挑战。在这种需求背景下，个性化推荐系统应运而生。
基于协同过滤的推荐算法常伴有数据稀疏来的冷启动问题，主要体现在新用户没有任何浏览或者购买记录，就无法准确地描述其特征，进而无法进行推荐物品的匹配。为解决冷启动问题,研究人员在协同过滤的基础上结合用户或物品的附加信息提出了一些混合推荐算法。Singh等人提出了一种协同矩阵分解,框架,首先将用户、物品或者其他实体之间存在的关系转化为关系矩阵,然后联合分解反馈矩阵和多个关系矩阵在实际应用中，这类推荐算法会出现推荐精准度低、用户满意度不高的问题。
现有的推荐算法通常只考虑用户对物品的行为数据、物品的内容信息以及综合考虑用户对物品的行为数据和物品的内容的信息时，忽视了用户信息及文本信息之间的关联性，对物品的语义信息挖掘得不够充分,进而对个性化推荐来了局限，最终导致推荐的准确率低。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种融合知识图谱表示学习和偏置矩阵分解的推荐方法。
本发明采用如下技术方案：
一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于：
1)从IMDB电影资料库中获取用户、推荐项目、推荐项目的相关属性、以及用户对推荐项目的喜爱程度,建立一个推荐项目知识图谱；
2)根据Movienlens数据集中，用户对项目实体的评分构建用户项目交互矩阵，将项目实体与知识图谱中的推荐项目进行匹配；
3)对构建的推荐项目知识图谱，通过TransR模型训练得到推荐项目及关系的向量表达；
4)利用推荐项目及关系的向量表达，通过余弦相似度计算推荐项目与待预测项目之间的相似度，选取最相似的k个近邻推荐项目融入偏置矩阵分解模型；
5)通过偏置矩阵分解模型求解矩阵分解后的用户特征矩阵与推荐项目特征矩阵，并计算得出用户对推荐项目的预测评分；
6)将预测评分高的推荐项目推荐给用户。
优选的，步骤1)中，所述推荐项目知识图谱采用抓取IMDB电影资料库的方式建立，对数据结构化之后进行知识抽取，抽取的数据以三元组的形式存储。
优选的，步骤2)中，采用实体链接方法将Movienlens数据集中的每部电影即项目实体映射到推荐项目知识图谱中。
优选的，步骤3)具体包括：
3.1)将推荐项目知识图谱中的用户和推荐项目分别表示成用户向量和推荐项目向量，同时，将推荐项目知识图谱中用户对推荐项目的喜爱程度也表示成用户与推荐项目之间的关系向量；
3.2)利用TransR模型建立用户向量、推荐项目向量、以及用户和推荐项目之间关系向量的损失函数，并通过最小化函数，使其循环收敛到最优；模型训练完成后，可得到推荐项目及关系的向量表达。
优选的，步骤4)中，余弦相似度函数的计算公式为：
其中，l表示TransR模型训练出来的推荐项目向量的维度；vjl表示第j个推荐项目的l维实体；vkl表示第k个待预测项目的l维实体。
优选的，步骤4)中，对相似度的计算结果进行排序，选取最相似的k个近邻推荐项目。
优选的，步骤5)中，使用梯度下降算法最小化目标函数来求解用户特征矩阵和推荐项目特征矩阵，根据用户特征矩阵与推荐项目特征矩阵进行预测用户对推荐项目的评分。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明的方法结合了知识表示学习、基于偏置矩阵分解和梯度下降的优化方法。首先，通过现有知识库构建项目推荐的知识图谱；其次，利用知识图谱表示学习将项目实体嵌入低维的向量空间，接着，利用相似度函数计算低维向量空间中项目之间的相似性，最后，将相似性潜在因子融入偏置矩阵分解模型中，以此融入项目间的隐含信息。即高度相似的项目它们矩阵分解后的向量表示也是高度相似的。
本发明方法有效地缓解了数据稀疏性和冷启动问题，利用知识图谱中丰富的数据语义信息，并且可以结合推理得到隐含信息,弥补了基于协同过滤算法存在的缺陷,从多维角度刻画项目相似度,增强了数据语义信息，在一定程度上增强了矩阵分解模型的效果，提高评分预测的准确性从而有效的提高推荐的成功率和精准度。
附图说明
图1推荐项目知识图谱构建流程图；
图2为本发明的具体流程图；
图3为知识图谱表示学习不同嵌入维度的RMSE结果；
图4为选取不同近邻数的RMSE结果；
图5为本发明的实验结果；
图6为本发明的推荐实例示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
参见图1至图4，一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，包括如下步骤：
步骤1)从现有知识库中获取用户、推荐项目、推荐项目的相关属性、以及用户对推荐项目的喜爱程度,由此建立一个推荐项目知识图谱。
知识图谱数据集采用抓取IMDB电影资料库的方式建立，对数据结构化之后进行知识抽取，包括实体抽取、关系抽取和属性抽取，抽取的数据以三元组的形式存储。知识图谱的构建过程参考了Salim的构建框架，知识图谱构建流程如图1所示。
步骤2)将用户项目交互矩阵中的项目实体与推荐项目知识图谱中的推荐项目进行匹配。
步骤2.1根据根据Movienlens数据集中，用户对项目的评分构建用户项目交互矩阵。
步骤2.2为了将IMDB电影资料库抽取的电影实体与Movienlens-10M电影匹配，采用实体链接方法将Movienlens-10M数据集中的每部电影映射到推荐项目知识图谱中。
步骤3)对构建的推荐项目知识图谱，通过知识图谱表示学习TransR算法训练得到实体及关系的向量表达。
首先，将推荐项目知识图谱中的用户和推荐项目分别表示成用户向量和推荐项目向量，同时，将推荐项目知识图谱中用户对推荐项目的喜好关系也表示成用户与推荐项目之间的关系向量。
其次，利用TransR模型建立用户向量、推荐项目向量、以及用户和推荐项目之间关系向量的损失函数，并通过最小化函数，使其循环收敛到最优，以达到优化目标的目的。按照transR算法的定义，对于知识图谱S中的一个三元组d(h,r,t)，可以用式(1)所示的损失公式进行训练。模型训练完成后，可得到推荐项目实体和关系的向量表示。
其中，γ是取值大于0的间隔距离参数；h和t分别表示推荐项目向量的头实体向量和尾实体向量，r是关系向量；d(h,r,t)表示正例三元组关联函数；d(h′,r,t′)表示负例三元组关联函数；S(h,r,t)表示知识库中的三元组集合，S′(h,r,t)表示负采样三元组集合，通过替换h或t所得，可表示为：
S′(h,r,t)＝{(h',r,t|h'∈E)}∪{(h,r,t'|t'∈E)} (2)
其中，h'和t'分别表示被替换的头实体和尾实体，E表示负实例实体。
步骤4)利用推荐项目及关系的向量表达，通过余弦相似度计算推荐项目与待预测项目之间的相似度，选取最相似的k个近邻推荐项目融入偏置矩阵分解模型。
步骤4.1)利用已训练好的用户向量、推荐项目向量以及用户和推荐项目之间的关系向量，通过余弦相似度计算推荐项目与待预测项目之间的相似度。余弦相似性函数是一种计算两个向量之间相似度的方法，其值的范围介于[-1,1]区间。其余弦相似度函数的计算公式为：
其中，l表示TransR模型训练出来的实体向量的维度；vjl表示第j个推荐项目的l维实体；vkl表示第k个待预测项目的l维实体。
从上式中可以看出，当sim(vj,vk)的计算的数值越接近1，推荐项目向量vj和待预测项目vk就越相似，即知识图谱里两者的关系就越紧密。相反，如果sim(vj,vk)的数值为低0，则意味着vj和vk关系越疏远，即语义相似度越低。
步骤4.2)选择最相似的k个近邻项目集合。
从步骤4.1)得到的计算结果对其进行排序，选取最相似的k个近邻项目。
步骤4.3)偏置矩阵分解模型：
用户可能有自己的打分喜好，存在对项目评分非常严格或者非常宽松的情况，称第i个用户的偏置为bi；项目可能会因为一些特殊因素让其相对于其它项目更容易获得用户的低分或者高分，称第j个项目的偏置为bj。因此可以得到
其中，
表示偏置矩阵分解模型对用户评分的预测值；i，j的取值范围为用户的个数，项目的个数；μ表示表示用户对项目评分平均值。因此，偏置矩阵分解模型目标函数为：
其中，Iij表示用户i对项目j是否有评分；m，n分别表示用户和项目的个数；如果用户i对项目j有评分，Iij值为1，否则Iij的值为0；rij表示原评分矩阵元素；ui和vj分别是分解后的n维用户特征向量和n维项目特征向量；||ui||2、||vj||2、||bi||2和||bj||2分别表示各对应矩阵中向量的欧几里德范数；δu、δv、δb1和δb2表示防止过拟合的正则化平衡系数。
骤4.4)待预测项目最相似的k个近邻融入偏置矩阵分解模型：
知识图谱表示学习将项目实体嵌入低维的向量空间，通过相似度函数计算低维向量空间中项目之间的相似性，选取与待预测项目最相似的k个近邻推荐项目，融入偏置矩阵分解模型中，以此融入项目间的隐含信息。其融合后得到的目标函数为：
其中，
表示推荐项目vj的最相似的k个近邻集合；δc表示正则化平衡系数；sim(vj,vk)表示相似函数。
步骤5、通过模型学习求解矩阵分解后的低维用户和项目矩阵即用户特征矩阵u和项目特征矩阵v，并计算得出用户对推荐项目的预测评分。
这里使用梯度下降算法最小化目标函数来求解用户特征矩阵u和项目特征矩阵v:
根据上一步得到的用户特征矩阵与项目特征矩阵进行预测用户对推荐项目的评分。如果用户对推荐项目的预测评分高，说明该用户对该推荐项目的喜欢程度较高，进而可以对其进行推荐。
实例：
实验数据集采用公开数据集Movienlens-10M，该数据集包括69787个用户对10073部电影的9945875条评分数据。评价指标选用均方根误差(RMSE)，RMSE值越小，说明模型预测得分越接近真实值，模型性能就越好。其计算公式如下：
其中，T表示用户评价数量；N表示用户数；M表示项目数；xij表示原始评分矩阵的值；
表示模型的预测打分值。用户和项目的特征向量维度设为100维，δu、δv、δb1和δb2分别设为0.01、0.01、0.1、01和0.1，δc设为0.4，学习率设为0.01。知识图谱表示学习的嵌入维度在选取不同值的时候，所取得的推荐效果也会有所不同，针对项目实体嵌入的维度，分别选取了100-500维进行实验。如图3所示，当知识图谱表示学习选取300维时，在均方根误差(RMSE)上有所改善，本发明提出的推荐算法能够获得较好的结果。
在本发明的推荐算法融合过程中，待预测项目最相似的近邻个数选取不同值时，其对推荐效果也会产生不同的影响。在嵌入维度选取200维的情况下，分别选取5-25个近邻个数，观察选取的近邻个数对推荐效果的影响。如图4所示，在选取近邻数为15个时，均方根误差(RMSE)的值是最低的。
为了测试本发明提出的算法的性能，选取知识图谱表示学习嵌入维度为300维，近邻个数为15个，用户特征向量和推荐项目的特征向量维度设为200维。通过图5可以看出，融合推荐项目实体潜在信息来预测用户评分是有效的，能提供更好的推荐质量，从而进一步验证了本发明提出的方法有效性。
推荐的实例参考图6，用户的已选实体为A：《警察故事》，推荐实体为B：《十二生肖》和C：《中南海保镖》，在推荐项目知识图谱中，将已经评分过的电影和推荐列表中的电影抽取出来，已选实体A与推荐实体B之间的关系为导演和主演，已选实体A和推荐实体B之间的关系为电影类型，推荐实体B的推荐理由为：你可能喜欢《十二生肖》，因为《十二生肖》和《警察故事》具有相同的导演和主演；推荐实体C的推荐理由为：你可能喜欢《中南海保镖》，因为《中南海保镖》和《警察故事》都是功夫喜剧类的电影。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
Claims (7)
1.一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于：
1)从IMDB电影资料库中获取用户、推荐项目、推荐项目的相关属性、以及用户对推荐项目的喜爱程度,建立一个推荐项目知识图谱；
2)根据Movienlens数据集中，用户对项目实体的评分构建用户项目交互矩阵，将项目实体与知识图谱中的推荐项目进行匹配；
3)对构建的推荐项目知识图谱，通过TransR模型训练得到推荐项目及关系的向量表达；
4)利用推荐项目及关系的向量表达，通过余弦相似度计算推荐项目与待预测项目之间的相似度，选取最相似的k个近邻推荐项目融入偏置矩阵分解模型；
5)通过偏置矩阵分解模型求解矩阵分解后的用户特征矩阵与推荐项目特征矩阵，并计算得出用户对推荐项目的预测评分；
6)将预测评分高的推荐项目推荐给用户。
2.如权利要求1所述的一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于，步骤1)中，所述推荐项目知识图谱采用抓取IMDB电影资料库的方式建立，对数据结构化之后进行知识抽取，抽取的数据以三元组的形式存储。
3.如权利要求1所述的一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于，步骤2)中，采用实体链接方法将Movienlens数据集中的每部电影即项目实体映射到推荐项目知识图谱中。
4.如权利要求1所述的一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于，步骤3)具体包括：
3.1)将推荐项目知识图谱中的用户和推荐项目分别表示成用户向量和推荐项目向量，同时，将推荐项目知识图谱中用户对推荐项目的喜爱程度也表示成用户与推荐项目之间的关系向量；
3.2)利用TransR模型建立用户向量、推荐项目向量、以及用户和推荐项目之间关系向量的损失函数，并通过最小化函数，使其循环收敛到最优；模型训练完成后，可得到推荐项目及关系的向量表达。
5.如权利要求1所述的一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于，步骤4)中，余弦相似度函数的计算公式为：
其中，l表示TransR模型训练出来的推荐项目向量的维度；vjl表示第j个推荐项目的l维实体；vkl表示第k个待预测项目的l维实体。
6.如权利要求1所述的一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于，步骤4)中，对相似度的计算结果进行排序，选取最相似的k个近邻推荐项目。
7.如权利要求1所述的一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于，步骤5)中，使用梯度下降算法最小化目标函数来求解用户特征矩阵和推荐项目特征矩阵，根据用户特征矩阵与推荐项目特征矩阵进行预测用户对推荐项目的评分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911100389.6A CN111125540A (zh) | 2019-11-12 | 2019-11-12 | 一种融合知识图谱表示学习和偏置矩阵分解的推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911100389.6A CN111125540A (zh) | 2019-11-12 | 2019-11-12 | 一种融合知识图谱表示学习和偏置矩阵分解的推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111125540A true CN111125540A (zh) | 2020-05-08 |
Family
ID=70496082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911100389.6A Pending CN111125540A (zh) | 2019-11-12 | 2019-11-12 | 一种融合知识图谱表示学习和偏置矩阵分解的推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111125540A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111858972A (zh) * | 2020-07-28 | 2020-10-30 | 山东大学 | 一种基于家庭知识图谱的电影推荐方法 |
| CN112115358A (zh) * | 2020-09-14 | 2020-12-22 | 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 |
| CN112650944A (zh) * | 2020-12-29 | 2021-04-13 | 哈尔滨理工大学 | 一种基于高阶连接图的协同过滤推荐算法 |
| CN112765488A (zh) * | 2021-01-25 | 2021-05-07 | 广东工业大学 | 一种融合社交网络和知识图谱的推荐方法、系统和设备 |
| CN112765486A (zh) * | 2021-01-22 | 2021-05-07 | 重庆邮电大学 | 一种融合知识图谱的注意力机制的电影推荐方法 |
| CN113742531A (zh) * | 2020-05-27 | 2021-12-03 | 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024391A1 (en) * | 2011-06-09 | 2013-01-24 | Tripadvisor Llc | Social travel recommendations |
| CN107729444A (zh) * | 2017-09-30 | 2018-02-23 | 桂林电子科技大学 | 一种基于知识图谱的个性化旅游景点推荐方法 |
| 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 |
-
2019
- 2019-11-12 CN CN201911100389.6A patent/CN111125540A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024391A1 (en) * | 2011-06-09 | 2013-01-24 | Tripadvisor Llc | Social travel recommendations |
| CN107729444A (zh) * | 2017-09-30 | 2018-02-23 | 桂林电子科技大学 | 一种基于知识图谱的个性化旅游景点推荐方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 毕华玲: "引入偏置的矩阵分解推荐算法研究", 《计算机应用研究》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113742531A (zh) * | 2020-05-27 | 2021-12-03 | 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 |
| 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 |
| CN111858972A (zh) * | 2020-07-28 | 2020-10-30 | 山东大学 | 一种基于家庭知识图谱的电影推荐方法 |
| CN111858972B (zh) * | 2020-07-28 | 2023-01-31 | 山东大学 | 一种基于家庭知识图谱的电影推荐方法 |
| CN112115358A (zh) * | 2020-09-14 | 2020-12-22 | 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 |
| 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 |
| CN112650944A (zh) * | 2020-12-29 | 2021-04-13 | 哈尔滨理工大学 | 一种基于高阶连接图的协同过滤推荐算法 |
| CN112765486A (zh) * | 2021-01-22 | 2021-05-07 | 重庆邮电大学 | 一种融合知识图谱的注意力机制的电影推荐方法 |
| CN112765486B (zh) * | 2021-01-22 | 2022-04-05 | 重庆邮电大学 | 一种融合知识图谱的注意力机制的电影推荐方法 |
| CN112765488A (zh) * | 2021-01-25 | 2021-05-07 | 广东工业大学 | 一种融合社交网络和知识图谱的推荐方法、系统和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111125540A (zh) | 一种融合知识图谱表示学习和偏置矩阵分解的推荐方法 | |
| Ji et al. | Cross-modality microblog sentiment prediction via bi-layer multimodal hypergraph learning | |
| CN112765486B (zh) | 一种融合知识图谱的注意力机制的电影推荐方法 | |
| CN113158023B (zh) | 基于混合推荐算法的公共数字生活精准分类服务方法 | |
| CN107220365A (zh) | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 | |
| EP2973038A1 (en) | Classifying resources using a deep network | |
| CN113407834A (zh) | 一种基于知识图谱辅助的用户多维度兴趣抽取方法 | |
| Alabdulrahman et al. | Catering for unique tastes: Targeting grey-sheep users recommender systems through one-class machine learning | |
| CN110647904A (zh) | 一种基于无标记数据迁移的跨模态检索方法及系统 | |
| CN111488524B (zh) | 一种面向注意力的语义敏感的标签推荐方法 | |
| Liu et al. | Using collaborative filtering algorithms combined with Doc2Vec for movie recommendation | |
| CN113806630A (zh) | 基于注意力的多视角特征融合跨域推荐方法及装置 | |
| CN113011172A (zh) | 文本处理方法、装置、计算机设备和存储介质 | |
| CN113342994A (zh) | 一种基于无采样协作知识图网络的推荐系统 | |
| CN116910375A (zh) | 一种基于用户偏好多样性的跨域推荐方法及系统 | |
| CN113449200A (zh) | 物品推荐方法、装置及计算机存储介质 | |
| CN111259223A (zh) | 基于情感分析模型的新闻推荐和文本分类方法 | |
| CN113688281B (zh) | 一种基于深度学习行为序列的视频推荐方法及系统 | |
| Zhu | A book recommendation algorithm based on collaborative filtering | |
| CN115840853A (zh) | 一种基于知识图谱和图注意力网络的课程推荐系统 | |
| CN112203152B (zh) | 多模态对抗学习型视频推荐方法和系统 | |
| Xiao et al. | A better understanding of the interaction between users and items by knowledge graph learning for temporal recommendation | |
| CN114357307A (zh) | 一种基于多维度特征的新闻推荐方法 | |
| Vrochidis et al. | Utilizing implicit user feedback to improve interactive video retrieval | |
| CN114022233A (zh) | 一种新型的商品推荐方法 |
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: 20200508 |
|
| RJ01 | Rejection of invention patent application after publication |