CN112115358B - 一种利用知识图谱中多跳路径特征的个性化推荐方法 - Google Patents

Abstract

本发明应用于在线购物领域，结合知识图谱中多跳路径特征与已知的用户行为数据特征，构建用户购物偏好预测模型，公开了一种利用知识图谱中多跳路径特征的个性化推荐方法，包括：融合用户和购买商品(以下统称物品)的属性以及它们之间的关系构建用于推荐的知识图谱，并用邻接矩阵表示；基于用于推荐的知识图谱中的多跳路径特征，建立用户‑物品关系预测模型；采用随机梯度下降法训练得到用户‑物品关系预测模型中的参数。基于用户‑物品关系预测模型的计算结果，得到用户的TOP‑N推荐物品序列。本发明提出了利用知识图谱中多跳路径特征的个性化推荐方法，可以有效地考虑知识图谱路径特征对用户购物偏好的影响，提高个性化推荐结果的准确性。

Description

一种利用知识图谱中多跳路径特征的个性化推荐方法

技术领域

本发明属于在线购物的个性化推荐技术领域，更具体地，涉及一种利用知识图谱中多跳路径特征的个性化推荐方法。

背景技术

个性化推荐是在线购物推荐领域的重要策略，目的是通过基于已知的用户历史行为数据集进行更精确的计算，来产生更符合用户个性化兴趣的购物偏好预测结果，提高商品推荐任务的准确性。近几年来，应用在互联网购物平台中的个性化推荐方法层出不穷，如逻辑回归(Logic Regression)、因子分解机(Factorization Machine)、贝叶斯个性化推荐方法(Bayesian Personalized Ranking)等。这些模型通过不同方式对已知的用户行为数据特征进行分析和组合，在在线购物的个性化推荐任务中表现出优势。但是这些模型没有对已知的用户行为数据特征的重要程度进行分析，并考虑用户行为特征的多跳路径关系传播对用户购物偏好推荐的影响，而在实际推荐情境中，用户行为数据多跳路径特征包含了更多的用户偏好信息，对提高个性化购物推荐结果的准确性有重要帮助。

发明内容

本发明主要针对在已有用户对物品的反馈数据和包含物品信息的知识图谱的情况下，对未知关系的用户-物品组合进行关系预测的个性化推荐任务。将知识图谱中多跳路径特征与用户行为数据特征作为构建预测模型的主体，可以有效提高个性化推荐的准确性。

为实现上述目的，本发明提供了一种利用知识图谱中多跳路径特征的个性化推荐方法，包括以下步骤：

(1)融合用户和物品的属性以及它们之间的关系构建用于推荐的知识图谱，并用邻接矩阵表示，所述物品为用户所购买的商品；

(2)基于构建的所述知识图谱中的多跳路径特征，建立用户-物品关系预测模型；

(3)采用随机梯度下降法训练得到用户-物品关系预测模型中的参数；

(4)基于用户-物品关系预测模型的计算结果，得到用户的TOP-N推荐物品序列。

本发明的一个实施例中，所述步骤(1)具体为：

对于已知的m个用户-n个物品，有反馈数据矩阵：

其中，c_ij表示第i个用户对第j个物品的反馈，值为1表示正反馈，为0表示负反馈或无反馈；

通过进一步收集用户个人信息、社交关系，并将物品通过实体链接方法链接到外部知识图谱，构建包含用户实体、物品实体、用户属性实体、物品属性实体的知识图谱，以邻接矩阵的形式记录为：

其中，p为矩阵的维度，p>max(m,n)；a_ij记录第i个实体和第j个实体之间的关系，包括用户-用户、用户-物品、物品-物品、用户-用户属性以及物品-物品属性之间的关系。

本发明的一个实施例中，所述用户-用户之间的关系a_ij定义为：

a_ij＝1表示用户实体i和用户实体j之间在收集的数据中存在社交关系；a_ij＝0表示用户实体i和用户实体j之间不存在社交关系。

本发明的一个实施例中，所述用户-物品之间的关系a_ij定义为：

用户实体i-物品实体j对应的a_ij值即为在矩阵C_m×n中的c_ij值。

本发明的一个实施例中，所述物品-物品之间的关系a_ij定义为：

a_ij＝1表示物品i和物品j在知识图谱中共现于同一个三元组中，即物品i、关系、物品j是知识图谱中已有的三元组；反之a_ij＝0表示物品i、关系、物品j不是知识图谱中已有的三元组。

本发明的一个实施例中，所述用户-用户属性之间的关系a_ij定义为：

每个用户实体i与各自拥有的用户属性实体j之间的a_ij值为1，即若用户i、关系、用户属性j是知识图谱中存在的三元组；反之a_ij＝0表示用户i、关系、用户属性j不是知识图谱中存在的三元组。

本发明的一个实施例中，所述物品-物品属性之间的关系a_ij定义为：

每个物品实体i与各自拥有的物品属性实体j之间的a_ij值＝1，即表示物品i、关系、物品属性j是知识图谱中存在的三元组；反之a_ij＝0表示物品i、关系、物品属性j不是知识图谱中存在的三元组。

本发明的一个实施例中，所述步骤(2)包括：

基于邻接矩阵A_p×p构建用户-物品关系预测模型，用于表示实体i对实体j的预测反馈，其中/>的值位于[0,1]之间，越靠近1代表对于实体i对实体j预测反馈越积极；

其中，α为路径特征参数，表示对A中每一个a_ij所代表的实体i和实体j之间关系多跳衰减的度量；预先设定的α取值在[0,1]之间，α＝0对应于完全衰减，α＝1表示不存在任何衰减，W是一个p×p矩阵，为知识图谱关系权重矩阵，W是需要训练学习的参数。

本发明的一个实施例中，所述用户-物品关系预测模型的训练目标函数为：

其中，

其中，D_s＝{u,i,j}，u为用户实体u，i,j为物品实体i,j，S为正反馈集，其中用户实体u和物品实体i的a_ui值为1，D_s中{u,i,j}满足(u,i)∈S, σ为sigmoid函数，λ_W为正则化参数，记/>

本发明的一个实施例中，所述步骤(3)中用户-物品关系预测模型需要求解的目标是：

对于用户u、正反馈物品i、非正反馈物品j组成的三元组{u,i,j}，训练得到的模型参数要使得用户u对正反馈物品i和负反馈物品j的预测反馈值差异尽量大，根据最大后验估计原理和贝叶斯定理，即需要 尽可能大，其中，>u表示已知的用户u做出的正反馈评价，而/>与等价。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有如下有益效果：本发明利用知识图谱中多跳路径特征的个性化推荐方法，能够针对单个用户，给出多个物品的偏好排序推荐结果，基于路径特征构造目标函数，能够提高推荐结果的准确性。

附图说明

图1是本发明实施例中一种利用知识图谱中多跳路径特征的个性化推荐方法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明提供了一种利用知识图谱中多跳路径特征的个性化推荐方法，包括：

S1、融合用户和物品的属性以及它们之间的关系构建用于推荐的知识图谱，并用邻接矩阵表示，所述物品为用户所购买的商品；具体为：

对于已知的m个用户-n个物品，有反馈数据矩阵：

其中，c_ij表示第i个用户对第j个物品的反馈，值为1表示正反馈，为0表示负反馈或无反馈；

通过进一步收集用户个人信息、社交关系，并将物品通过实体链接方法链接到外部知识图谱，构建包含用户实体、物品实体、用户属性实体、物品属性实体的知识图谱，以邻接矩阵的形式记录为：

其中，p为矩阵的维度，p>max(m,n)；a_ij记录第i个实体和第j个实体之间的关系，包括用户-用户、用户-物品、物品-物品、用户-用户属性以及物品-物品属性之间的关系。

所述用户-用户之间的关系a_ij定义为：a_ij＝1表示用户实体i和用户实体j之间在收集的数据中存在社交关系；a_ij＝0表示用户实体i和用户实体j之间不存在社交关系。

所述用户-物品之间的关系a_ij定义为：用户实体i-物品实体j对应的a_ij值即为在矩阵C_m×n中的c_ij值。

所述物品-物品之间的关系a_ij定义为：a_ij＝1表示物品i和物品j在知识图谱中共现于同一个三元组中，即物品i、关系、物品j是知识图谱中已有的三元组；反之a_ij＝0表示物品i、关系、物品j不是知识图谱中已有的三元组。

所述用户-用户属性之间的关系a_ij定义为：每个用户实体i与各自拥有的用户属性实体j之间的a_ij值为1，即若用户i、关系、用户属性j是知识图谱中存在的三元组；反之a_ij＝0表示用户i、关系、用户属性j不是知识图谱中存在的三元组。

所述物品-物品属性之间的关系a_ij定义为：每个物品实体i与各自拥有的物品属性实体j之间的a_ij值＝1，即表示物品i、关系、物品属性j是知识图谱中存在的三元组；反之a_ij＝0表示物品i、关系、物品属性j不是知识图谱中存在的三元组。

S2、基于S1中构建的知识图谱中的多跳路径特征，建立用户-物品关系预测模型；包括：

基于邻接矩阵A_p×p构建用户-物品关系预测模型，用于表示实体i对实体j的预测反馈，其中/>的值位于[0,1]之间，越靠近1代表对于实体i对实体j预测反馈越积极；

其中，α为路径特征参数，表示对A中每一个a_ij所代表的实体i和实体j之间关系多跳衰减的度量；预先设定的α取值在[0,1]之间，α＝0对应于完全衰减，α＝1表示不存在任何衰减，W是一个p×p矩阵，为知识图谱关系权重矩阵，W是需要训练学习的参数。

S3、采用随机梯度下降法训练得到用户-物品关系预测模型中的参数；

所述用户-物品关系预测模型的训练目标函数为：

其中，

其中，D_s＝{u,i,j}，u为用户实体u，i,j为物品实体i,j，S为正反馈集，其中用户实体u和物品实体i的a_ui值为1，D_s中{u,i,j}满足(u,i)∈S, σ为sigmoid函数，λ_W为正则化参数，记/>

用户-物品关系预测模型需要求解的目标是：

对于用户u、正反馈物品i、非正反馈物品j组成的三元组{u,i,j}，训练得到的模型参数要使得用户u对正反馈物品i和负反馈物品j的预测反馈值差异尽量大，根据最大后验估计原理和贝叶斯定理，即需要 尽可能大，其中，>u表示已知的用户u做出的正反馈评价，而/>与等价；

对目标函数求导后使用随机梯度下降(SGD，Stochastic Gradient Descent)的方法，对模型进行训练，求得每个实体i和实体j之间的关系预测值对于其中实体i、j分别为用户实体i、物品实体j的关系预测值/>将该类预测值记为/>表示用户u对物品v的关系预测值/>

S4、基于用户-物品关系预测模型的计算结果，得到用户的TOP-N推荐物品序列。

将值从大到小排序，可以根据设定推荐数量N的不同，给出用户u的TOP-N推荐物品序列。

进一步地，本发明实施例提供了一种利用知识图谱中多跳路径特征的个性化推荐方法，包括：

(1)收集数据，通过链接外部知识图谱构建用户-物品多属性关系矩阵：

对于已知的m个用户-n个物品的反馈数据矩阵：

c_ij表示第i个用户对第j个物品的反馈，值为1表示正反馈，为0表示负反馈或无反馈。

通过进一步收集用户个人信息和社交关系，将物品通过实体链接方法链接到外部知识图谱，记录邻接矩阵A。

(2)参数初始化

随机初始化p×p权重矩阵W，矩阵每个值在[0,1]间，α取[0,1]区间。

(3)构建模型训练准备数据集：

对于已知的m个用户-n个物品的反馈数据矩阵，提取用户反馈数据{u:i₁,i₂,…i_n}(即矩阵的一行，以字典结构记录)，其中，i₁,i₂,…i_n表示用户u所有给出反馈的物品的ID，包含正反馈物品和非正反馈物品。对于一个用户u，从i₁,i₂,…i_n中随机取一个正反馈物品i，再随机选取一个非正反馈物品j，得到三元组{u,i,j}集合及对应的{c_ui}、{c_uj}作为训练集，三元组{u,i,j}表示对于用户u，比起物品j更偏好物品i，即c_ui>c_uj。

对于上述{u:i₁,i₂,…i_n}中一个用户u，从i₁,i₂,…i_n中随机取一个正反馈物品i′，这个i′要求和训练集中对应用户u的三元组{u,i,j}中的i相异，再随机选取一个非正反馈物品j，得到三元组{u,i′,j}作为测试集。

(4)定义目标函数，构建用户-物品关系预测模型

令

其中，以N＝3为例：

定义模型的目标函数为

即求解目标为对于要得到的W，有 尽可能大，其中/>

为进一步应用随机梯度下降方法，目标函数变形为：

其中，由于

对参数W求导，用θ表示具体参数：

则目标函数梯度为：

(5)基于(4)中的梯度，应用随机梯度下降方法，其中每轮迭代：

①对于(2)中准备好的训练集{u,i,j}集合，随机选择一定量的{u,i,j}数据作为训练样本；

②遍历训练样本，计算每个训练数据的梯度，y_uij记录训练集{u,i,j}的用户u、物品i与j的反馈函数值差异，计算方式与相同。

③基于梯度更新参数W：

④检查W是否收敛，收敛则结束，否则回到第②步再次开始；

通过随机梯度下降法得到W后，对于(3)中测试集上的{u,i′,j}，可以得到用户-物品的关系预测值和/>并检验准确率。

(6)对于计算得到最优的W，能够计算出每个用户u和物品v的关系预测值从而根据设定推荐数量N的不同，给出用户u的TOP-N推荐物品序列。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种利用知识图谱中多跳路径特征的个性化推荐方法，其特征在于，包括以下步骤：

(1)融合用户和物品的属性以及它们之间的关系构建用于推荐的知识图谱，并用邻接矩阵表示，所述物品为用户所购买的商品；具体为：

对于已知的m个用户-n个物品，有反馈数据矩阵：

其中，c_ij表示第i个用户对第j个物品的反馈，值为1表示正反馈，为0表示负反馈或无反馈；

通过进一步收集用户个人信息、社交关系，并将物品通过实体链接方法链接到外部知识图谱，构建包含用户实体、物品实体、用户属性实体、物品属性实体的知识图谱，以邻接矩阵的形式记录为：

其中，p为矩阵的维度，p>max(m,n)；a_ij记录第i个实体和第j个实体之间的关系，包括用户-用户、用户-物品、物品-物品、用户-用户属性以及物品-物品属性之间的关系；

(2)基于构建的所述知识图谱中的多跳路径特征，建立用户-物品关系预测模型；包括：

基于邻接矩阵A_p×p构建用户-物品关系预测模型，用于表示实体i对实体j的预测反馈，其中/>的值位于[0,1]之间，越靠近1代表对于实体i对实体j预测反馈越积极；

其中，α为路径特征参数，表示对A中每一个a_ij所代表的实体i和实体j之间关系多跳衰减的度量；预先设定的α取值在[0,1]之间，α＝0对应于完全衰减，α＝1表示不存在任何衰减，W是一个p×p矩阵，为知识图谱关系权重矩阵，W是需要训练学习的参数；

(3)采用随机梯度下降法训练得到用户-物品关系预测模型中的参数；所述用户-物品关系预测模型的训练目标函数为：

其中，

其中，D_s＝{u,i,j}，u为用户实体u，i,j为物品实体i,j，S为正反馈集，其中用户实体u和物品实体i的a_ui值为1，D_s中{u,i,j}满足(u,i)∈S, σ为sigmoid函数，λ_W为正则化参数，记/>

用户-物品关系预测模型需要求解的目标是：

对于用户u、正反馈物品i、非正反馈物品j组成的三元组{u,i,j}，训练得到的模型参数要使得用户u对正反馈物品i和负反馈物品j的预测反馈值差异尽量大，根据最大后验估计原理和贝叶斯定理，即需要 尽可能大，其中，>_u表示已知的用户u做出的正反馈评价，而/>与等价；

(4)基于用户-物品关系预测模型的计算结果，得到用户的TOP-N推荐物品序列。

2.根据权利要求1所述的利用知识图谱中多跳路径特征的个性化推荐方法，其特征在于，所述用户-用户之间的关系a_ij定义为：

a_ij＝1表示用户实体i和用户实体j之间在收集的数据中存在社交关系；a_ij＝0表示用户实体i和用户实体j之间不存在社交关系。

3.根据权利要求1或2所述的利用知识图谱中多跳路径特征的个性化推荐方法，其特征在于，所述用户-物品之间的关系a_ij定义为：

用户实体i-物品实体j对应的a_ij值即为在矩阵C_m×n中的c_ij值。

4.根据权利要求1或2所述的利用知识图谱中多跳路径特征的个性化推荐方法，其特征在于，所述物品-物品之间的关系a_ij定义为：

a_ij＝1表示物品i和物品j在知识图谱中共现于同一个三元组中，即物品i、关系、物品j是知识图谱中已有的三元组；反之a_ij＝0表示物品i、关系、物品j不是知识图谱中已有的三元组。

5.根据权利要求1或2所述的利用知识图谱中多跳路径特征的个性化推荐方法，其特征在于，所述用户-用户属性之间的关系a_ij定义为：

每个用户实体i与各自拥有的用户属性实体j之间的a_ij值为1，即若用户i、关系、用户属性j是知识图谱中存在的三元组；反之a_ij＝0表示用户i、关系、用户属性j不是知识图谱中存在的三元组。

6.根据权利要求1或2所述的利用知识图谱中多跳路径特征的个性化推荐方法，其特征在于，所述物品-物品属性之间的关系a_ij定义为：

每个物品实体i与各自拥有的物品属性实体j之间的a_ij值＝1，即表示物品i、关系、物品属性j是知识图谱中存在的三元组；反之a_ij＝0表示物品i、关系、物品属性j不是知识图谱中存在的三元组。