CN111523029B - 一种基于知识图谱表示学习的个性化推荐方法 - Google Patents
一种基于知识图谱表示学习的个性化推荐方法 Download PDFInfo
- Publication number
- CN111523029B CN111523029B CN202010312475.XA CN202010312475A CN111523029B CN 111523029 B CN111523029 B CN 111523029B CN 202010312475 A CN202010312475 A CN 202010312475A CN 111523029 B CN111523029 B CN 111523029B
- Authority
- CN
- China
- Prior art keywords
- user
- representation
- vector
- item
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 108
- 238000013519 translation Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 27
- 230000003993 interaction Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06F16/9535—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
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)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识图谱表示学习的个性化推荐方法，包括步骤：(1)采用平移距离模型对知识图谱进行表示学习，得到实体和关系的向量表示；(2)将用户兴趣表示建模成用户与物品之间的翻译关系，即将用户兴趣表示为用户表示和物品表示的平移距离，以此构建用户兴趣模型；(3)在给定用户物品交互数据的条件下，将实体和关系的向量表示分别融入到物品和用户兴趣的向量表示中，以获得增强的物品和用户兴趣的向量表示，得到知识增强的用户兴趣模型；(4)构建损失函数，根据损失函数对知识增强的用户兴趣模型进行训练，得到用户、增强的用户兴趣和物品的向量表示，预测用户喜欢物品的概率；(5)根据预测概率结果进行物品推荐。
Description
技术领域
本发明涉及推荐技术领域，具体涉及一种基于知识图谱表示学习的个性化推荐方法。
背景技术
随着互联网的飞速发展，网络上的资源呈指数型增长，人们在享受互联网信息交互便利的同时，也面临着一些问题，尤其是信息迷航问题和信息过载问题。信息迷航问题是指用户在海量数据环境下会忘记最开始搜索的目标，信息过载问题是互联网中搜索的数据超过用户能够处理的范围，无法找到真正有用的信息。因此，如何为用户提供其感兴趣的信息成为亟需解决的问题之一，解决这一问题的方法是个性化推荐方法，个性化推荐方法通过分析用户历史信息得到用户兴趣，在海量数据环境下为用户精准推荐感兴趣的物品。
协同过滤推荐是传统个性化推荐方法中应用最广泛的方法之一，它以用户对物品的历史交互数据为基础，发现用户之间的相关性，为用户推荐相似用户喜欢的物品，或者发现物品之间的相关性为用户推荐相似物品。协同过滤依赖于用户物品交互数据，现实中用户交互的物品往往只占很少一部分，存在数据稀疏性问题。为解决上述问题，研究者们开始将辅助信息引入到推荐方法中，通过辅助信息丰富用户和物品的信息描述，弥补数据稀疏导致的信息不足。知识图谱是一种重要的辅助信息，知识图谱以图的形式描述现实世界的事物以及事物之间的关系，结点表示事物，也被称为实体，边表示实体之间的关系，基本构成是以(头实体，关系，尾实体)结构化形式进行表示的三元组。
知识图谱表示学习(Knowledge Graph Representation Learning)是将知识图谱中的三元组映射成低维向量空间的稠密向量，从而得到实体和关系的低维向量表示。知识图谱表示学习得到的实体和关系的向量表示进一步应用到各种任务中，如关系抽取、自动问答和个性化推荐等。知识图谱表示学习主要分为两类：语义匹配模型(SemanticMatching Models)和平移距离模型(Translational Distance Models)。语义匹配模型是根据相似度评分函数匹配实体和关系的语义表示，使用基于相似度的评分函数评估三元组的置信度，主要有RESCAL模型、DistMult模型和ComplEx模型等。平移距离模型是将实体和关系投影到向量空间中，把关系看成实体之间的平移距离，使用基于距离的评分函数评估三元组的置信度，主要有TransE模型、TransH模型和TransR模型等。
在推荐方法引入知识图谱主要有两种方式：一种是利用知识图谱中实体之间的关系，构建链接路径，将知识图谱中的网络结构融入到推荐方法；一种是采用知识图谱表示学习得到每一个实体和关系的低维向量表示，将保留知识图谱结构化特征的向量表示融入到推荐方法。知识图谱中包含丰富的结构化知识，将知识图谱引入到推荐算法中，能够充分挖掘用户和物品的隐含信息，有效地提高推荐的效果。
发明内容
本发明的目的是提供一种基于知识图谱表示学习的个性化推荐方法。本发明将平移距离模型的思想应用到个性化推荐方法中，将用户兴趣表示建模成用户表示和物品表示之间的平移距离，并用实体和关系表示增强物品表示和用户兴趣表示，预测用户喜欢物品的概率。
为实现上述发明目的，本发明提供的技术方案为：
一种基于知识图谱表示学习的个性化推荐方法，包括步骤：
(1)采用平移距离模型对知识图谱进行表示学习，得到实体和关系的向量表示；
(2)将用户兴趣向量表示建模成用户向量表示和物品向量表示的平移距离，以此构建用户兴趣模型；
(3)在给定用户物品交互数据的条件下，将实体和关系的向量表示分别融入到物品和用户兴趣的向量表示中，以获得增强的物品和用户兴趣的向量表示，得到知识增强的用户兴趣模型；
(4)构建损失函数，根据损失函数对知识增强的用户兴趣模型进行训练，得到用户、增强的用户兴趣和物品的向量表示，预测用户喜欢物品的概率；
(5)根据用户喜欢物品的概率结果进行物品推荐。
该个性化推荐方法考虑用户选择物品的潜在兴趣，构建用户兴趣模型，将知识图谱中的实体、关系融入到用户兴趣模型中，以学习更深层次的用户兴趣、用户和物品的向量表示，从而预测用户喜欢某个物品的概率。
优选地，步骤(1)中，采用平移距离模型中的TransR模型学习知识图谱中实体和关系的向量表示，对于知识图谱中的每一个三元组(eh,r,et)，将实体和关系映射到不同的向量空间中，要求每一个关系r对应一个向量空间，将头实体eh和尾实体et都投影到关系r的向量空间中上，头实体到尾实体之间的平移才算有效，即满足
其中
和
是头实体和尾实体的投影向量：
其中Mr是关系r的投影矩阵，将实体表示投影到关系的向量空间。
TransR模型的损失函数：
其中,KG表示三元组集合，KG-表示错误三元组集合，三元组(e′h,et′)表示随机替换正确三元组中的头实体或尾实体而构造的错误三元组，f(·)为三元组的得分函数，δ为控制正确三元组和错误三元组的边距。
三元组的得分函数f(·)定义为：
其中，
和
是头实体和尾实体的投影向量，‖·‖2为二范数。
基于损失函数预训练知识图谱，得到实体向量表示e和关系向量表示r。
优选地，步骤(2)中，采用知识图谱表示学习的基本思想，将用户兴趣向量表示建模为用户向量表示和物品向量表示之间的平移距离，构建用户兴趣模型。受到TransR模型启发，为用户兴趣引入向量空间，只有将用户和物品投影通过投影矩阵Mp到用户兴趣的向量空间时，用户表示和物品表示的平移才算有效，即对于一个用户物品对(u,i)，满足u⊥+p≈i⊥，u⊥和i⊥是用户和物品的投影向量，u⊥和i⊥分别为：：
u⊥＝uMp(5)
i⊥＝iMp(6)
其中，u为用户向量表示，i为物品向量表示，p为用户兴趣向量表示，Mp表示用户兴趣向量空间的投影矩阵，将用户表示和物品表示投影到用户兴趣的向量空间；
则构建用户兴趣模型表示为u⊥+p≈i⊥。
优选地，步骤(3)中，将知识图谱中的实体表示和关系表示融入到用户兴趣模型，用知识图谱中结构化信息增强用户兴趣学习。
通过一对一的映射，将用户物品对中的物品与知识图谱中的实体对齐，将实体向量表示e融入到物品向量表示i中，得到知识增强的物品向量表示
将关系向量表示r融入到用户兴趣表示p中，得到知识增强的用户兴趣表示
其中，R是关系向量表示集合，ar是权重，由关系向量表示r和用户兴趣向量表示p的余弦相似度得到；
则知识增强的用户兴趣模型表示为
优选地，步骤(4)中，损失函数为：
L＝∑(u，i)∈y∑(u,i′)∈y′max(δ-g(u,i；p)+g(u,i'；p),0)(9)
其中，Y是用户物品对集合，Y′是随机替换用户物品对中的物品得到的错误用户物品对集合，(u,i)是正确用户物品对，(u,i′)是错误用户物品对；g(·)为评分函数，也表示为用户喜欢物品的概率；δ为控制正确用户物品对和错误用户物品对的边距。通过不断降低损失函数的值，训练出能够区分正负用户物品对的模型。
用户喜欢物品的概率用g(u,i；p)表示，具体为：
其中，u⊥是用户的投影向量，
是增强的用户兴趣向量表示，
为增强的物品投影向量，由物品的投影向量和对应实体的投影向量得到。
优选地，步骤(5)中，对物品的预测概率进行排序，得到物品的推荐列表；依据物品的推荐列表进行物品推荐。
与现有技术相比，本发明具有的有益效果为：
相对于传统方法中通过用户表示和物品表示计算分数为用户推荐物品，本发明采用了平移距离模型思想构建用户兴趣模型，将用户兴趣建模为向量，表示成用户和物品之间的平移距离，更加精准地预测用户喜欢某个物品的概率。
针对用户物品交互数据稀疏的问题，本发明将知识图谱的实体和关系采用实体对齐和关系对齐的方式融入到用户兴趣模型中的物品和用户兴趣，得到知识增强的物品表示和用户兴趣表示。增强的物品表示包含物品之间的结构知识，增强的用户兴趣表示中包含关系知识，不仅解决了数据稀疏的问题，得到包含更多语义信息的特征表示，而且为用户兴趣赋予明确的语义，增强了推荐的可解释性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，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前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种基于知识图谱表示学习的个性化推荐方法的流程示意图。
图2为本发明实施例中的用户物品交互数据和知识图谱的样例图。
图3为本发明实施例中用户兴趣模型中用户兴趣表示为用户表示与物品表示之间平移距离的示意图。
图4为本发明实施例提供的一种基于知识图谱表示学习的个性化推荐方法框架的示意图。
具体实施方式
下面将结合附图和实施例，对本发明中的技术方案进行进一步详细说明。应当理解，本发明所描述的具体实施例仅用于解释本发明，不受所述具体实施例所限，还可以有许多变形，本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。
如图1所示，实施例提供的一种基于知识图谱表示学习的个性化推荐方法，包含有以下步骤：
步骤(1)中，采用平移距离模型对知识图谱进行表示学习，得到实体和关系的向量表示。
本发明采用平移距离模型中的TransR模型进行知识图谱表示学习，在保留知识图谱结构信息的同时，得到每个实体和关系的向量表示。
具体地，本实施例中知识图谱实例如图2所示，包含9个实体和10个实体之间的关系。本实施例只是为了说明方法，知识图谱比较简单，实际海量数据下的知识图谱是本领域技术人员很容易实现的，并不是说明本发明不适合复杂知识图谱，因为本发明本身是针对现实环境下复杂的推荐场景。
针对每一个三元组，如(霸王别姬，导演，陈凯歌)等，为每种关系设置一个向量空间，将头实体和尾实体投影到关系的向量空间中，并随机替换正确三元组中的头实体和尾实体，获取相同数量的错误三元组集合，如(霸王别姬，导演，张国荣)，构建三元组训练数据集；利用构建的训练数据，得到知识图谱中实体和关系的向量表示。
步骤(2)中，将用户兴趣向量表示建模成用户向量表示和物品向量表示的平移距离，以此构建用户兴趣模型。
具体地，如图2所示，用户物品对(u1，霸王别姬)表示用户u1观看了“霸王别姬”，可能是由于用户喜欢“陈凯歌”导演的电影，或者是由于喜欢“张国荣”主演的电影等。用户与物品之间存在多个隐含关系，揭示了用户对所消费物品的潜在兴趣。
如图3所示，受平移距离模型中的TransR模型启发，将用户兴趣的向量表示当做用户表示与物品表示之间的翻译关系；并为用户兴趣引入向量空间，将用户兴趣、用户与物品分别在不同的向量空间中表示，使得用户交互的不同物品有不同的向量表示，如公式(5)、公式(6)所示。
步骤(3)中，在给定用户物品交互数据的条件下，将实体和关系的向量表示分别融入到物品和用户兴趣的向量表示中，以获得增强的物品和用户兴趣的向量表示，得到知识增强的用户兴趣模型。
具体地，如图4所示，左上角是用户物品交互数据，包含2个用户和5个物品；右下角是知识图谱实例，包含8个实体以及关系，其中椭圆内的物品和实体一一对齐；对于每个物品，通过实体对齐将对应的实体表示融入到物品表示中，如公式(7)所示，比如增强的物品
向量表示包含物品表示i1和实体表示e1。对于每一个用户兴趣，将关系表示融入到用户兴趣表示中，如公式(8)所示，根据关系和用户兴趣表示相似度将所有关系表示融入到用户兴趣中，知识图谱中的关系揭示了用户兴趣的含义，例如关系“导演”表示对导演的偏好，或者“类型”表示对电影类型的偏好。
步骤(4)中，构建损失函数，根据损失函数对知识增强的用户兴趣模型进行训练，得到用户、增强的用户兴趣和物品的向量表示，预测用户喜欢物品的概率。
本实施例中，构建的损失函数如公式(9)所示，通过构建正负用户物品对最小化损失函数训练出能区分正确用户物品对和错误物品对的模型，得到用户、增强的用户兴趣和物品的向量表示，并预测用户喜欢物品的概率，如公式(10)所示。其中负样本的构建是随机替换正确用户物品对中的物品，获取相同数量的错误用户物品对，如(u1，风月)。
步骤(5)中，根据预测概率结果进行物品推荐。
具体地，例如，通过以上步骤，可得到图2实施例中的用户u1喜欢“风月”、“倩女幽魂”和“泰坦尼克号”的概率分别是0.84、0.53和0.21，因此推荐的电影是“风月”。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于知识图谱表示学习的个性化推荐方法，其特征在于，包括步骤：
(1)采用平移距离模型对知识图谱进行表示学习，得到实体和关系的向量表示；
(2)将用户兴趣向量表示建模成用户向量表示和物品向量表示的平移距离，以此构建用户兴趣模型，包括：对于一个用户物品对(u,i)，u⊥和i⊥是用户和物品的投影向量，u⊥和i⊥表示为：
u⊥＝uMp
i⊥＝iMp
其中，u为用户向量表示，i为物品向量表示，p为用户向量兴趣表示，Mp表示用户兴趣向量空间的投影矩阵，将用户表示和物品表示投影到用户兴趣的向量空间；则构建用户兴趣模型表示为u⊥+p≈i⊥；
(3)在给定用户物品交互数据的条件下，将实体和关系的向量表示分别融入到物品和用户兴趣的向量表示中，以获得增强的物品和用户兴趣的向量表示，得到知识增强的用户兴趣模型，包括：通过一对一映射将实体向量表示e融入到物品向量表示i中，得到知识增强的物品向量表示
将关系向量表示r融入到用户兴趣向量表示p中，得到知识增强的用户兴趣向量表示
其中，R是关系向量表示集合，ar是权重，由关系向量表示r和用户兴趣向量表示p的余弦相似度得到；则知识增强的用户兴趣模型表示为
(4)构建损失函数，根据损失函数对知识增强的用户兴趣模型进行训练，得到用户、增强的用户兴趣和物品的向量表示，预测用户喜欢物品的概率；
(5)根据用户喜欢物品的概率结果进行物品推荐。
2.如权利要求1所述的基于知识图谱表示学习的个性化推荐方法，其特征在于，步骤(1)中，
采用平移距离模型中的TransR模型学习知识图谱中实体和关系的向量表示，对于知识图谱中的每一个三元组(eh,r,et)，将实体和关系映射到不同的向量空间中，要求每一个关系r对应一个向量空间，将头实体eh和尾实体et都投影到关系r的向量空间中上，头实体到尾实体之间的平移才算有效，即满足
其中
和
是头实体和尾实体的投影向量：
其中Mr是关系r的投影矩阵，将实体投影到关系的向量空间。
3.如权利要求2所述的基于知识图谱表示学习的个性化推荐方法，其特征在于，TransR模型的损失函数：
其中,KG表示三元组集合，KG-表示错误三元组集合，三元组(e′h,r,e′t)表示随机替换正确三元组(eh,r,et)中的头实体或尾实体而构造的错误三元组，f(·)为三元组的得分函数，δ为控制正确三元组和错误三元组的边距；
三元组的得分函数f(·)定义为：
其中，
和
是头实体和尾实体的投影向量，‖·‖2为二范数；
基于损失函数预训练知识图谱，得到实体向量表示e和关系向量表示r。
4.如权利要求1所述的基于知识图谱表示学习的个性化推荐方法，其特征在于，步骤(4)中，
损失函数为：
其中，Y是用户物品对集合，Y′是随机替换用户物品对中的物品得到的错误用户物品对集合，(u,i)是正确用户物品对，(u,i′)是错误用户物品对；g(·)为评分函数，也表示为用户喜欢物品的概率；δ为控制正确用户物品对和错误用户物品对的边距；通过不断降低损失函数的值，训练出能够区分正负用户物品对的模型。
5.如权利要求4所述的基于知识图谱表示学习的个性化推荐方法，其特征在于，步骤(4)中，
用户喜欢物品的概率用g(u,i；p)表示，具体为：
其中，u⊥是用户的投影向量，
是增强的用户兴趣向量表示，
为增强的物品投影向量，由物品的投影向量和对应实体的投影向量得到。
6.如权利要求1所述的基于知识图谱表示学习的个性化推荐方法，其特征在于，步骤(5)中，
对物品的预测概率进行排序，得到物品的推荐列表；依据物品的推荐列表进行物品推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010312475.XA CN111523029B (zh) | 2020-04-20 | 2020-04-20 | 一种基于知识图谱表示学习的个性化推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010312475.XA CN111523029B (zh) | 2020-04-20 | 2020-04-20 | 一种基于知识图谱表示学习的个性化推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111523029A CN111523029A (zh) | 2020-08-11 |
| CN111523029B true CN111523029B (zh) | 2022-03-25 |
Family
ID=71904358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010312475.XA Active CN111523029B (zh) | 2020-04-20 | 2020-04-20 | 一种基于知识图谱表示学习的个性化推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111523029B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112131490B (zh) * | 2020-09-18 | 2022-11-15 | 东南大学 | 一种知识图谱驱动下区域敏感的兴趣点推荐方法 |
| CN111931069B (zh) * | 2020-09-25 | 2021-01-22 | 浙江口碑网络技术有限公司 | 用户兴趣确定方法、装置及计算机设备 |
| CN112487200B (zh) * | 2020-11-25 | 2022-06-07 | 吉林大学 | 一种改进的包含多重边信息与多任务学习的深度推荐方法 |
| 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 |
| CN112800326B (zh) * | 2021-01-18 | 2022-03-15 | 吉林大学 | 一种改进的多任务学习与知识图谱结合的Ripp-MKR推荐方法 |
| CN112765490A (zh) * | 2021-01-28 | 2021-05-07 | 重庆兆光科技股份有限公司 | 一种基于知识图谱和图卷积网络的信息推荐方法及系统 |
| CN113158049B (zh) * | 2021-04-22 | 2022-11-01 | 中国科学院深圳先进技术研究院 | 一种知识增强的推荐方法和系统 |
| CN113190593A (zh) * | 2021-05-12 | 2021-07-30 | 《中国学术期刊（光盘版）》电子杂志社有限公司 | 一种基于数字人文知识图谱的搜索推荐方法 |
| 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 |
| CN113505242A (zh) * | 2021-07-16 | 2021-10-15 | 珍岛信息技术（上海）股份有限公司 | 一种知识图谱自动嵌入的方法及系统 |
| CN113656601A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医患匹配方法、装置、设备及存储介质 |
| CN114219089B (zh) * | 2021-11-11 | 2022-07-22 | 山东人才发展集团信息技术有限公司 | 一种新一代信息技术产业知识图谱的构建方法及设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188147A (zh) * | 2019-05-22 | 2019-08-30 | 厦门无常师教育科技有限公司 | 基于知识图谱的文献实体关系发现方法及系统 |
-
2020
- 2020-04-20 CN CN202010312475.XA patent/CN111523029B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188147A (zh) * | 2019-05-22 | 2019-08-30 | 厦门无常师教育科技有限公司 | 基于知识图谱的文献实体关系发现方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Representation Learning of Knowledge Graphs via Fine-Grained Relation Description Combinations;Ming He等;《IEEE Access》;20190226;26466-26473 * |
| 基于图书本体构建的图书推荐算法研究;郭斯檀;《中国优秀博硕士学位论文全文数据库(硕士)》;20190915;I138-1398 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111523029A (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111523029B (zh) | 一种基于知识图谱表示学习的个性化推荐方法 | |
| CN108763493B (zh) | 一种基于深度学习的推荐方法 | |
| CN108920641B (zh) | 一种信息融合个性化推荐方法 | |
| CN112200317B (zh) | 多模态知识图谱构建方法 | |
| CN112836120B (zh) | 一种基于多模态知识图谱的电影推荐方法、系统及终端 | |
| Yang et al. | Video captioning by adversarial LSTM | |
| CN108509519B (zh) | 基于深度学习的通用知识图谱增强问答交互系统及方法 | |
| CN109635291B (zh) | 一种基于协同训练的融合评分信息和物品内容的推荐方法 | |
| CN112732936B (zh) | 一种基于知识图谱和用户微观行为的广电节目推荐方法 | |
| CN111488734A (zh) | 基于全局交互和句法依赖的情感特征表示学习系统及方法 | |
| CN109947987B (zh) | 一种交叉协同过滤推荐方法 | |
| Wu et al. | Spatial–temporal relation reasoning for action prediction in videos | |
| CN113297370B (zh) | 基于多交互注意力的端到端多模态问答方法及系统 | |
| CN114998602B (zh) | 基于低置信度样本对比损失的域适应学习方法及系统 | |
| CN115964560B (zh) | 基于多模态预训练模型的资讯推荐方法及设备 | |
| CN112001279A (zh) | 基于双重属性信息的跨模态行人重识别方法 | |
| CN116932923B (zh) | 一种结合行为特征与三角协作度量的项目推荐方法 | |
| 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 | |
| CN114996490A (zh) | 电影推荐方法、系统、存储介质及设备 | |
| Meng et al. | Cross-datasets facial expression recognition via distance metric learning and teacher-student model | |
| CN112733004A (zh) | 一种基于多臂老虎机算法的影视作品推荐方法 | |
| CN111104552A (zh) | 一种基于电影结构化信息和简介预测电影评分类别的方法 | |
| CN117541882B (zh) | 一种基于实例的多视角视觉融合转导式零样本分类方法 | |
| Dong et al. | Refocused attention: long short-term rewards guided video captioning |
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 |