CN112364257A - 一种基于知识图谱的用户群组推荐系统及方法 - Google Patents

一种基于知识图谱的用户群组推荐系统及方法 Download PDF

Info

Publication number
CN112364257A
CN112364257A CN202011267148.3A CN202011267148A CN112364257A CN 112364257 A CN112364257 A CN 112364257A CN 202011267148 A CN202011267148 A CN 202011267148A CN 112364257 A CN112364257 A CN 112364257A
Authority
CN
China
Prior art keywords
node
user group
representation
user
knowledge graph
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.)
Granted
Application number
CN202011267148.3A
Other languages
English (en)
Other versions
CN112364257B (zh
Inventor
邵杰
邓智毅
李长宇
刘树锦
申恒涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Artificial Intelligence Research Institute Yibin
Original Assignee
Sichuan Artificial Intelligence Research Institute Yibin
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Artificial Intelligence Research Institute Yibin filed Critical Sichuan Artificial Intelligence Research Institute Yibin
Priority to CN202011267148.3A priority Critical patent/CN112364257B/zh
Publication of CN112364257A publication Critical patent/CN112364257A/zh
Application granted granted Critical
Publication of CN112364257B publication Critical patent/CN112364257B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (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的用户群组推荐系统，基于该系统的用户群组推荐方法为：构建协同知识图谱，并聚合节点邻居以获取协同知识图谱中节点的最高阶表示，然后通过最高阶表示和注意力机制获取用户群组和物品特征，构建分数预测函数；以分数预测函数构建损失函数以更新可学习参数，并通过更新后的可学习参数获取物品的预测分数，将预测分数最高的若干物品推荐给用户群组。本发明在为用户群组推荐物品时，能够避免数据稀疏的问题，并且能够准确的推荐用户感兴趣的物品。

Description

一种基于知识图谱的用户群组推荐系统及方法
技术领域
本发明属于推荐系统领域，具体涉及一种基于知识图谱的用户群组推荐系统及方法。
背景技术
随着大数据时代的到来，数据开始呈爆炸式增长。为了解决信息过载的问题，推荐系统被广泛应用于电子商务、内容共享、社交网络、论坛等在线服务领域。随着移动互联网接入时代的到来，人们可以越来越方便地在网上聚会，进行集体活动，如吃饭、看电影或旅行。这些人可能彼此很熟悉，比如在一个家庭或有几个共同的朋友。用户群组也可以是在一个活动中偶然相遇的一群人，例如加入一个旅游团的几个旅行者。这时，推荐系统需要为这类人群推荐一个或几个适合的物品。除了面向个人的推荐系统，也需要面向用户群组的推荐系统。
群组的类型可分为持久性群组和偶发性群组两类。持久性群组是一个预先定义好的群组，如具有稳定成员的家庭，而偶发性群组是临时形成的，临时群组中的成员可能没有太大社会关系。对于持久性群组推荐，可以将每个群组视为一个特殊的个人，直接使用面向个人推荐的方法。然而，对于偶发性群组，成员之间很少相聚，群组和物品的交互记录太少(数据稀疏性问题)，无法直接去得到群组的偏好，传统的协同过滤算法也受制于数据稀疏性问题。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于知识图谱的用户群组推荐系统及方法解决了现有技术中存在的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于知识图谱的用户群组推荐系统，包括依次连接的信息传播模块、偏好聚合模块和优化模块；
所述信息传播模块用于构建协同知识图谱以及聚合协同知识图谱中某一节点的邻居节点和获取节点的高阶表示；所述偏好聚合模块用于根据节点的高阶表示获取用户群组的特征表示；所述优化模块用于优化可学习参数。
本发明的有益效果为：提供一种基于知识图谱的用户群组推荐系统。知识图谱帮助解决数据稀疏性问题并能帮助捕捉用户之间的联系。注意力机制可充分考虑聚合用户的偏好特征过程中物品和用户间的影响以得到群组的偏好特征，成对损失函数帮助获取更好的群组偏好特征并为用户群组推荐物品。
一种基于知识图谱的用户群组推荐方法，包括以下步骤：
S1、采集物品知识图谱，为用户群组推荐系统数据集中物品寻找对应实体以及为用户在物品知识图谱中新建一个实体，得到协同知识图谱；
S2、聚合协同知识图谱中节点e的邻居节点，得到邻居聚合表示；
S3、根据邻居聚合表示获取节点e的高阶表示，并以节点e的高阶表示为基础获取节点e的第H阶表示；
S4、根据节点e的第H阶表示和注意力机制获取用户群组特征表示；
S5、通过用户群组的特征表示计算正物品和负物品的预测分数，并通过正负物品的预测分数构建损失函数；
S6、使用Adam算法使损失函数最小，得到物品预测分数函数；
S7、根据步骤S1至S5的方法，使用物品预测分数函数获取推荐系统对应的物品预测分数，并将预测分数最大的N个物品推荐给用户群组。
进一步地，所述步骤S1包括以下步骤：
S1.1、采集物品知识图谱，将用户群组推荐系统数据集中用户选择过的物品作为正物品，其他物品作为负物品；
S1.2、在物品知识图谱中搜寻用户群组推荐系统数据集中正负物品对应的实体，并将有多个对应实体和没有对应实体的物品删除；
S1.3、将保留的物品与物品知识图谱中实体对应，将用户作为新的实体添加至物品知识图谱中，并在知识图谱中添加连接用户和物品的关系，将用户与有交互记录的物品连接，得到协同知识图谱。
进一步地，所述步骤S2中邻居聚合表示eNe具体为：
Figure BDA0002776506240000031
其中，
Figure BDA0002776506240000032
表示节点e的邻居et的权重，Ne表示节点e的直接相邻的邻居集合，et∈Ne，r表示节点e与其邻居et之间的关系；G表示协同知识图谱中的三元组集合，所述三元组包含两个实体及两个实体之间的关系，et表示邻居et的当前阶表示；
所述权重
Figure BDA0002776506240000033
具体为：
Figure BDA0002776506240000034
其中，exp表示指数函数，π(e,ri,ei)表示与节点e的关系为ri的邻居ei的重要性；
所述邻居重要性π(e,r,et)具体为：
π(e,r,et)＝ie·r
其中，节点e为用户时，ie表示与节点e交互的物品零阶表示；节点e为物品时，ie表示与节点e交互的用户组中所有用户的零阶表示平均值；r表示关系r的向量表示。
进一步地，所述步骤S3包括以下分步骤：
S3.1、根据邻居聚合表示，更新节点e的高一阶表示e'为：
e'＝Relu(W(e+eNe)+b)
其中，W表示第一学习参数，b表示第二学习参数，e表示节点e的当前阶表示；
S3.2、根据权重
Figure BDA0002776506240000041
获取邻居聚合表示eNe的第h-1阶表示
Figure BDA0002776506240000042
为：
Figure BDA0002776506240000043
其中，
Figure BDA0002776506240000044
表示邻居节点et在第h-1阶的表示；
S3.3、根据节点e的高一阶表示e'的表达式和
Figure BDA0002776506240000045
获取节点e的第h阶表示eh为：
Figure BDA0002776506240000046
S3.4、根据步骤S3.2-S3.3所述方法获取节点e的第H阶表示。
进一步地，所述步骤S4包括以下分步骤：
S4.1、根据节点e的第H阶表示获取用户节点ui和物品节点v的最高阶表示，并获取协同知识图谱中用户节点ui对物品节点v的偏好得分aSP(g,i,v)为：
aSP(g,i,v)＝ui·v
其中，g表示用户节点ui所在用户组，i＝1,2,...,I，I表示用户组g中用户的总数，v表示物品节点v的最高阶表示，ui表示用户节点ui的最高阶表示；
S4.2、利用注意力机制，获取用户组g内其他人对用户节点ui的重要度aPI(g,i)为：
Figure BDA0002776506240000047
其中，vc表示第三学习参数，Wc1表示第四学习参数，Wc2表示第五学习参数，S表示用户组g中其他用户的集合，CONCAT()表示向量拼接函数；u表示集合S中的用户的最高阶表示，b表示可训练的偏置向量；
S4.3、将偏好得分aSP(g,i,v)和重要度aPI(g,i)相加，得到用户节点ui在用户组g中的重要程度a(g,i,v)为：
a(g,i,v)＝aSP(g,i,v)+aPI(g,i)
S4.4、将重要程度a(g,i,v)归一化，得到归一化后的重要程度
Figure BDA0002776506240000051
为：
Figure BDA0002776506240000052
其中，a(g,j,v)表示用户节点uj在用户组g中的重要程度，j＝1,2,...,I；
S4.5、通过归一化后的重要程度
Figure BDA0002776506240000053
和用户节点ui的最高阶表示获取用户组g的特征表示g为：
Figure BDA0002776506240000054
进一步地，所述步骤S5包括以下分步骤：
S5.1、根据用户组g对应的特征表示g的函数，并通过用户组g的正物品的第H阶表示vp和负物品的第H阶表示vn分别获取用户组g的特征表示gp和特征表示gn；
S5.2、通过特征表示gp和特征表示gn分别获取正物品预测分数
Figure BDA0002776506240000055
和负物品预测分数
Figure BDA0002776506240000056
为：
Figure BDA0002776506240000057
S5.3、设定正物品预测分数
Figure BDA0002776506240000058
和负物品预测分数
Figure BDA0002776506240000059
之间的距离为M，所述距离
Figure BDA00027765062400000510
σ()表示softmax函数，其用于归一化预测分数；
S5.4、根据正物品预测分数
Figure BDA00027765062400000511
负物品预测分数
Figure BDA00027765062400000512
和距离M，构建损失函数Lgroup为：
Figure BDA00027765062400000513
本发明的有益效果为：
(1)本发明采用知识图谱、推荐系统的用户及其物品构建协同知识图谱，解决了现有推荐系统存在数据稀疏性的问题。
(2)本发明在偏好得分计算部分，使用了注意力机制学习用户在组决定中的影响力，同时考虑了成员之间的相互影响，即符合现实，又提高了推荐物品的准确性。
(3)本发明给出正负物品之间的距离，要求正物品的预测分数大于负样本，促使正负物品存在更强的区分性，提高了推荐物品的准确性。
(4)本发明在为用户群组推荐物品时，能够避免数据稀疏的问题，并且能够准确的推荐用户感兴趣的物品。
附图说明
图1为本发明提出的一种基于知识图谱的用户群组推荐系统框图。
图2为本发明提出的一种基于知识图谱的用户群组推荐方法流程图。
图3为本发明中用户群组推荐系统示意图。
图4为本发明的偏好聚合模块中注意力机制示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示，一种基于知识图谱的用户群组推荐系统，包括依次连接的信息传播模块、偏好聚合模块和优化模块；
所述信息传播模块用于构建协同知识图谱以及聚合协同知识图谱中某一节点的邻居节点和获取节点的高阶表示；所述偏好聚合模块用于根据节点的高阶表示获取用户群组的特征表示；所述优化模块用于优化可学习参数。
本发明的有益效果为：提供一种基于知识图谱的用户群组推荐系统。知识图谱帮助解决数据稀疏性问题并能帮助捕捉用户之间的联系。注意力机制可充分考虑聚合用户的偏好特征过程中物品和用户间的影响以得到群组的偏好特征，成对损失函数帮助获取更好的群组偏好特征并为用户群组推荐物品。
一种基于知识图谱的用户群组推荐方法，如图2所示，包括以下步骤：
S1、采集物品知识图谱，为用户群组推荐系统数据集中物品寻找对应实体以及为用户在物品知识图谱中新建一个实体，得到协同知识图谱；
S2、聚合协同知识图谱中节点e的邻居节点，得到邻居聚合表示；
S3、根据邻居聚合表示获取节点e的高阶表示，并以节点e的高阶表示为基础获取节点e的第H阶表示；
S4、根据节点e的第H阶表示和注意力机制获取用户群组特征表示；
S5、通过用户群组的特征表示计算正物品和负物品的预测分数，并通过正负物品的预测分数构建损失函数；
S6、使用Adam算法使损失函数最小，得到物品预测分数函数；
S7、根据步骤S1至S5的方法，使用物品预测分数函数获取推荐系统对应的物品预测分数，并将预测分数最大的N个物品推荐给用户群组。
在本实施例中，第H阶为最高阶。
在本实施例中，知识图谱可以从一些非结构化的知识库中构建，如百科网站等。随着应用的需要，出现了大量的知识图谱数据集，如Freebase、DBpedia、YAGO，这些数据集已经被构建并成功地真实世界的应用问题。这三个数据集都是使用维基百科构建的，DBpedia以构建本体的形式对知识条目进行组织。YAGO融合WordNet良好的概念层次结构和维基百科中的大量实体数据，WordNet是早期依靠人工构建的知识图谱。Freebase是基于维基百科，使用群体智能方法建立的包含6800万个实体的结构化数据的知识图谱。
所述步骤S1包括以下步骤：
S1.1、采集物品知识图谱，将用户群组推荐系统数据集中用户选择过的物品作为正物品，其他物品作为负物品；
S1.2、在物品知识图谱中搜寻用户群组推荐系统数据集中正负物品对应的实体，并将有多个对应实体和没有对应实体的物品删除；
S1.3、将保留的物品与物品知识图谱中实体对应，将用户作为新的实体添加至物品知识图谱中，并在知识图谱中添加连接用户和物品的关系，将用户与有交互记录的物品连接，得到协同知识图谱。
在本实施例中，将群组或者用户选择过的物品当作该群组或用户的正物品，而对于一些含有显示反馈的数据，如对电影或者餐馆的打分，选择打分在一定阈值以上的作为正物品。对于负样本，把除正物品外的其他物品当作负物品，也可以把曾经曝光给用户或群组但是没有被选择的物品当作负物品。
所述步骤S2中邻居聚合表示eNe具体为：
Figure BDA0002776506240000081
其中，
Figure BDA0002776506240000082
表示节点e的邻居et的权重，Ne表示节点e的直接相邻的邻居集合，et∈Ne，r表示节点e与其邻居et之间的关系；G表示协同知识图谱中的三元组集合，所述三元组包含两个实体及两个实体之间的关系，et表示邻居et的当前阶表示；
所述权重
Figure BDA0002776506240000083
具体为：
Figure BDA0002776506240000084
其中，exp表示指数函数，π(e,ri,ei)表示与节点e的关系为ri的邻居ei的重要性；
所述邻居重要性π(e,r,et)具体为：
π(e,r,et)＝ie·r
其中，节点e为用户时，ie表示与节点e交互的物品零阶表示；节点e为物品时，ie表示与节点e交互的用户组中所有用户的零阶表示平均值；r表示关系r的向量表示。
所述步骤S3包括以下分步骤：
S3.1、根据邻居聚合表示，更新节点e的高一阶表示e'为：
e'＝Relu(W(e+eNe)+b)
其中，W表示第一学习参数，b表示第二学习参数，e表示节点e的当前阶表示；
S3.2、根据权重
Figure BDA0002776506240000091
获取邻居聚合表示eNe的第h-1阶表示
Figure BDA0002776506240000092
为：
Figure BDA0002776506240000093
其中，
Figure BDA0002776506240000094
表示邻居节点et在第h-1阶的表示；
S3.3、根据节点e的高一阶表示e'的表达式和
Figure BDA0002776506240000095
获取节点e的第h阶表示eh为：
Figure BDA0002776506240000096
S3.4、根据步骤S3.2-S3.3所述方法获取节点e的第H阶表示。
所述步骤S4包括以下分步骤：
S4.1、根据节点e的第H阶表示获取用户节点ui和物品节点v的最高阶表示，并获取协同知识图谱中用户节点ui对物品节点v的偏好得分aSP(g,i,v)为：
aSP(g,i,v)＝ui·v
其中，g表示用户节点ui所在用户组，i＝1,2,...,I，I表示用户组g中用户的总数，v表示物品节点v的最高阶表示，ui表示用户节点ui的最高阶表示；
S4.2、利用注意力机制，获取用户组g内其他人对用户节点ui的重要度aPI(g,i)为：
Figure BDA0002776506240000101
其中，vc表示第三学习参数，Wc1表示第四学习参数，Wc2表示第五学习参数，S表示用户组g中其他用户的集合，CONCAT()表示向量拼接函数；u表示集合S中的用户的最高阶表示，b表示可训练的偏置向量；
S4.3、将偏好得分aSP(g,i,v)和重要度aPI(g,i)相加，得到用户节点ui在用户组g中的重要程度a(g,i,v)为：
a(g,i,v)＝aSP(g,i,v)+aPI(g,i)
S4.4、将重要程度a(g,i,v)归一化，得到归一化后的重要程度
Figure BDA0002776506240000102
为：
Figure BDA0002776506240000103
其中，a(g,j,v)表示用户节点uj在用户组g中的重要程度，j＝1,2,...,I；
S4.5、通过归一化后的重要程度
Figure BDA0002776506240000104
和用户节点ui的最高阶表示获取用户组g的特征表示g为：
Figure BDA0002776506240000105
所述步骤S5包括以下分步骤：
S5.1、根据用户组g对应的特征表示g的函数，并通过用户组g的正物品的第H阶表示vp和负物品的第H阶表示vn分别获取用户组g的特征表示gp和特征表示gn；
S5.2、通过特征表示gp和特征表示gn分别获取正物品预测分数
Figure BDA0002776506240000106
和负物品预测分数
Figure BDA0002776506240000107
为：
Figure BDA0002776506240000111
S5.3、设定正物品预测分数
Figure BDA0002776506240000112
和负物品预测分数
Figure BDA0002776506240000113
之间的距离为M，所述距离
Figure BDA0002776506240000114
σ()表示softmax函数，其用于归一化预测分数；
S5.4、根据正物品预测分数
Figure BDA0002776506240000115
负物品预测分数
Figure BDA0002776506240000116
和距离M，构建损失函数Lgroup为：
Figure BDA0002776506240000117
如图3所示，在本实施例中，u1-u4节点表示gi组的用户，v1,v2,vp,vn节点表示物品，其中vp是gi的正物品，vn是gi的负物品，e1-e3节点表示非用户或物品的实体。实线表示协同知识图谱中的边，虚线表示一条较长的路径。在构建协同知识图谱之后，通过图卷积神经网络在信息聚合模块中学习物品和用户的蕴含知识图谱信息的表示。然后，通过在协同知识图中实现图卷积神经网络，不仅可以获取协同知识图谱中更多的结构信息和语义信息，而且可以捕捉到不同用户之间隐含着潜的在兴趣方面的相似性。然后，利用充分考虑候选物品和的注意机制来学习每个成员在群组决策中的重要性，并在偏好聚集块中聚合成员的偏好特征，形成群组偏好特征。最后，利用一个新的成对损失函数，在优化块中驱使正物品的预测得分高于负物品的预测得分。
如图4所示，获取用户和物品的高阶表示后，将这些表示输入偏好聚合块，得到整个群组的特征表示。偏好聚合块中最重要的部分是学习用户在其群体中影响力的注意机制。注意机制主要由两部分组成，即考虑物品影响的注意力单元self persistence(SP)和考虑成员影响的注意力单元peer influence(PI)。以g组中的u1为例，u1-u4是g的成员，v是一个项。SP和PI是注意力机制的两个部分，我们通过这个注意力机制学习每个成员在组内的影响力。
本发明的有益效果为：
(1)本发明采用知识图谱、推荐系统的用户及其物品构建协同知识图谱，解决了现有推荐系统存在数据稀疏性的问题。
(2)本发明在偏好得分计算部分，使用了注意力机制学习用户在组决定中的影响力，同时考虑了成员之间的相互影响，即符合现实，又提高了推荐物品的准确性。
(3)本发明给出正负物品之间的距离，要求正物品的预测分数大于负样本，促使正负物品存在更强的区分性，提高了推荐物品的准确性。
(4)本发明在为用户群组推荐物品时，能够避免数据稀疏的问题，并且能够准确的推荐用户感兴趣的物品。
在本实施例中，使用现有技术与本发明提出的技术方案进行实验对比，实验结果如表1所示，其中实验基于现实世界数据集MovieLens-20M，随机组表示组内用户随机组成，没有特别关联；相似组表示组内用户在和物品的交互历史上有较高的相似度。
表1
Figure BDA0002776506240000121
实验结果如表1所示，与其他方法相比包括近两年表现出色的群组推荐方法混合子注意力网络和基于知识图谱的推荐方法知识图卷积网络，本发明在数据集两种分组的两个评估指标上始终表现出最佳的效果。本发明显著提高了群体推荐的表现。本发明优于所有三种基于知识图卷积网络的方法，包括知识图卷积网络结合最少痛苦方法、知识图卷积网络结合最大愉悦度方法和知识图卷积网络结合平均满意度方法。这验证了本发明的学习成员重要性的注意力机制和新提出的成对损失函数的重要性。此外，与混合子注意力网络相比，本发明证明了它有足够的能力从知识图中提取信息，从而更好地表示群组和物品，从而进行群组推荐。本发明的技术方案不但具有创新性，还有好的技术效果。

Claims (7)

1.一种基于知识图谱的用户群组推荐系统，其特征在于，包括依次连接的信息传播模块、偏好聚合模块和优化模块；
所述信息传播模块用于构建协同知识图谱以及聚合协同知识图谱中某一节点的邻居节点和获取节点的高阶表示；所述偏好聚合模块用于根据节点的高阶表示获取用户群组的特征表示；所述优化模块用于优化可学习参数。
2.一种基于知识图谱的用户群组推荐方法，其特征在于，包括以下步骤：
S1、采集物品知识图谱，为用户群组推荐系统数据集中物品寻找对应实体以及为用户在物品知识图谱中新建一个实体，得到协同知识图谱；
S2、聚合协同知识图谱中节点e的邻居节点，得到邻居聚合表示；
S3、根据邻居聚合表示获取节点e的高阶表示，并以节点e的高阶表示为基础获取节点e的第H阶表示；
S4、根据节点e的第H阶表示和注意力机制获取用户群组特征表示；
S5、通过用户群组的特征表示计算正物品和负物品的预测分数，并通过正负物品的预测分数构建损失函数；
S6、使用Adam算法使损失函数最小，得到物品预测分数函数；
S7、根据步骤S1至S5的方法，使用物品预测分数函数获取推荐系统对应的物品预测分数，并将预测分数最大的N个物品推荐给用户群组。
3.根据权利要求2所述基于知识图谱的用户群组推荐方法，其特征在于，所述步骤S1包括以下步骤：
S1.1、采集物品知识图谱，将用户群组推荐系统数据集中用户选择过的物品作为正物品，其他物品作为负物品；
S1.2、在物品知识图谱中搜寻用户群组推荐系统数据集中正负物品对应的实体，并将有多个对应实体和没有对应实体的物品删除；
S1.3、将保留的物品与物品知识图谱中实体对应，将用户作为新的实体添加至物品知识图谱中，并在知识图谱中添加连接用户和物品的关系，将用户与有交互记录的物品连接，得到协同知识图谱。
4.根据权利要求2所述基于知识图谱的用户群组推荐方法，其特征在于，所述步骤S2中邻居聚合表示eNe具体为：
Figure FDA0002776506230000021
其中，
Figure FDA0002776506230000022
表示节点e的邻居et的权重，Ne表示节点e的直接相邻的邻居集合，et∈Ne，r表示节点e与其邻居et之间的关系；G表示协同知识图谱中的三元组集合，所述三元组包含两个实体及两个实体之间的关系，et表示邻居et的当前阶表示；
所述权重
Figure FDA0002776506230000023
具体为：
Figure FDA0002776506230000024
其中，exp表示指数函数，π(e,ri,ei)表示与节点e的关系为ri的邻居ei的重要性；
所述邻居重要性π(e,r,et)具体为：
π(e,r,et)＝ie·r
其中，节点e为用户时，ie表示与节点e交互的物品零阶表示；节点e为物品时，ie表示与节点e交互的用户组中所有用户的零阶表示平均值；r表示关系r的向量表示。
5.根据权利要求4所述基于知识图谱的用户群组推荐方法，其特征在于，所述步骤S3包括以下分步骤：
S3.1、根据邻居聚合表示，更新节点e的高一阶表示e'为：
e'＝Relu(W(e+eNe)+b)
其中，W表示第一学习参数，b表示第二学习参数，e表示节点e的当前阶表示；
S3.2、根据权重
Figure FDA0002776506230000031
获取邻居聚合表示eNe的第h-1阶表示
Figure FDA0002776506230000032
为：
Figure FDA0002776506230000033
其中，
Figure FDA0002776506230000034
表示邻居节点et在第h-1阶的表示；
S3.3、根据节点e的高一阶表示e'的表达式和
Figure FDA0002776506230000035
获取节点e的第h阶表示eh为：
Figure FDA0002776506230000036
S3.4、根据步骤S3.2-S3.3所述方法获取节点e的第H阶表示。
6.根据权利要求5所述基于知识图谱的用户群组推荐方法，其特征在于，所述步骤S4包括以下分步骤：
S4.1、根据节点e的第H阶表示获取用户节点ui和物品节点v的最高阶表示，并获取协同知识图谱中用户节点ui对物品节点v的偏好得分aSP(g,i,v)为：
aSP(g,i,v)＝ui·v
其中，g表示用户节点ui所在用户组，i＝1,2,...,I，I表示用户组g中用户的总数，v表示物品节点v的最高阶表示，ui表示用户节点ui的最高阶表示；
S4.2、利用注意力机制，获取用户组g内其他人对用户节点ui的重要度aPI(g,i)为：
Figure FDA0002776506230000037
其中，vc表示第三学习参数，Wc1表示第四学习参数，Wc2表示第五学习参数，S表示用户组g中其他用户的集合，CONCAT()表示向量拼接函数；u表示集合S中的用户的最高阶表示，b表示可训练的偏置向量；
S4.3、将偏好得分aSP(g,i,v)和重要度aPI(g,i)相加，得到用户节点ui在用户组g中的重要程度a(g,i,v)为：
a(g,i,v)＝aSP(g,i,v)+aPI(g,i)
S4.4、将重要程度a(g,i,v)归一化，得到归一化后的重要程度
Figure FDA0002776506230000041
为：
Figure FDA0002776506230000042
其中，a(g,j,v)表示用户节点uj在用户组g中的重要程度，j＝1,2,...,I；
S4.5、通过归一化后的重要程度
Figure FDA0002776506230000043
和用户节点ui的最高阶表示获取用户组g的特征表示g为：
Figure FDA0002776506230000044
7.根据权利要求6所述基于知识图谱的用户群组推荐方法，其特征在于，所述步骤S5包括以下分步骤：
S5.1、根据用户组g对应的特征表示g的函数，并通过用户组g的正物品的第H阶表示vp和负物品的第H阶表示vn分别获取用户组g的特征表示gp和特征表示gn；
S5.2、通过特征表示gp和特征表示gn分别获取正物品预测分数
Figure FDA0002776506230000045
和负物品预测分数
Figure FDA0002776506230000046
为：
Figure FDA0002776506230000047
S5.3、设定正物品预测分数
Figure FDA0002776506230000048
和负物品预测分数
Figure FDA0002776506230000049
之间的距离为M，所述距离
Figure FDA00027765062300000410
σ()表示softmax函数，其用于归一化预测分数；
S5.4、根据正物品预测分数
Figure FDA00027765062300000411
负物品预测分数
Figure FDA00027765062300000412
和距离M，构建损失函数Lgroup为：
Figure FDA00027765062300000413
CN202011267148.3A 2020-11-13 2020-11-13 一种基于知识图谱的用户群组推荐系统及方法 Active CN112364257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011267148.3A CN112364257B (zh) 2020-11-13 2020-11-13 一种基于知识图谱的用户群组推荐系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011267148.3A CN112364257B (zh) 2020-11-13 2020-11-13 一种基于知识图谱的用户群组推荐系统及方法

Publications (2)

Publication Number Publication Date
CN112364257A true CN112364257A (zh) 2021-02-12
CN112364257B CN112364257B (zh) 2021-05-18

Family

ID=74515535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011267148.3A Active CN112364257B (zh) 2020-11-13 2020-11-13 一种基于知识图谱的用户群组推荐系统及方法

Country Status (1)

Country Link
CN (1) CN112364257B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112905891A (zh) * 2021-03-05 2021-06-04 中国科学院计算机网络信息中心 基于图神经网络的科研知识图谱人才推荐方法及装置
CN113220866A (zh) * 2021-04-28 2021-08-06 西安电子科技大学 基于用户社交网络和产品相似度的推荐方法
CN115357805A (zh) * 2022-08-02 2022-11-18 山东省计算中心（国家超级计算济南中心） 一种基于内外部视角的群组推荐方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016070026A1 (en) * 2014-10-31 2016-05-06 Informite Inc. Systems and methods for keyword research and analysis
US20190205964A1 (en) * 2018-01-03 2019-07-04 NEC Laboratories Europe GmbH Method and system for multimodal recommendations
CN110866190A (zh) * 2019-11-18 2020-03-06 支付宝(杭州)信息技术有限公司 训练用于表征知识图谱的图神经网络模型的方法及装置
CN111274413A (zh) * 2020-02-14 2020-06-12 迈拓仪表股份有限公司 基于知识图谱的智能供热服务推荐方法
CN111522962A (zh) * 2020-04-09 2020-08-11 苏州大学 序列推荐方法、装置及计算机可读存储介质
CN111626311A (zh) * 2019-02-27 2020-09-04 京东数字科技控股有限公司 一种异构图数据处理方法和装置
CN111737592A (zh) * 2020-06-18 2020-10-02 北京航空航天大学 一种基于异构传播协同知识感知网络的推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016070026A1 (en) * 2014-10-31 2016-05-06 Informite Inc. Systems and methods for keyword research and analysis
US20190205964A1 (en) * 2018-01-03 2019-07-04 NEC Laboratories Europe GmbH Method and system for multimodal recommendations
CN111626311A (zh) * 2019-02-27 2020-09-04 京东数字科技控股有限公司 一种异构图数据处理方法和装置
CN110866190A (zh) * 2019-11-18 2020-03-06 支付宝(杭州)信息技术有限公司 训练用于表征知识图谱的图神经网络模型的方法及装置
CN111274413A (zh) * 2020-02-14 2020-06-12 迈拓仪表股份有限公司 基于知识图谱的智能供热服务推荐方法
CN111522962A (zh) * 2020-04-09 2020-08-11 苏州大学 序列推荐方法、装置及计算机可读存储介质
CN111737592A (zh) * 2020-06-18 2020-10-02 北京航空航天大学 一种基于异构传播协同知识感知网络的推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HONGWEI WANG: "Knowledge Graph Convolutional Networks for Recommender Systems", 《PROCEEDINGS OF THE 2019 WORLD WIDE WEB CONFERENCE》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112905891A (zh) * 2021-03-05 2021-06-04 中国科学院计算机网络信息中心 基于图神经网络的科研知识图谱人才推荐方法及装置
CN113220866A (zh) * 2021-04-28 2021-08-06 西安电子科技大学 基于用户社交网络和产品相似度的推荐方法
CN113220866B (zh) * 2021-04-28 2023-01-06 西安电子科技大学 基于用户社交网络和产品相似度的推荐方法
CN115357805A (zh) * 2022-08-02 2022-11-18 山东省计算中心（国家超级计算济南中心） 一种基于内外部视角的群组推荐方法
CN115357805B (zh) * 2022-08-02 2023-06-16 山东省计算中心（国家超级计算济南中心） 一种基于内外部视角的群组推荐方法

Also Published As

Publication number Publication date
CN112364257B (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN112364257B (zh) 一种基于知识图谱的用户群组推荐系统及方法
Ruan et al. A survey of trust management systems for online social communities–trust modeling, trust inference and attacks
Jiang et al. Social recommendation with cross-domain transferable knowledge
Jiang et al. Social recommendation across multiple relational domains
Raj et al. An enhanced trust prediction strategy for online social networks using probabilistic reputation features
CN109190030B (zh) 融合node2vec和深度神经网络的隐式反馈推荐方法
CN110619081A (zh) 一种基于交互图神经网络的新闻推送方法
Agarwal et al. Trust-enhanced recommendation of friends in web based social networks using genetic algorithms to learn user preferences
CN112950324A (zh) 一种知识图谱辅助的成对排序个性化电商推荐方法及系统
Xu et al. Exploiting the dynamic mutual influence for predicting social event participation
Deng et al. Knowledge-aware group representation learning for group recommendation
Abbas Social network analysis using deep learning: applications and schemes
CN107346333B (zh) 一种基于链路预测的在线社交网络好友推荐方法与系统
CN115114526A (zh) 一种多行为增强信息的加权图卷积网络评分预测推荐方法
CN115270007A (zh) 一种基于混合图神经网络的poi推荐方法及系统
Zhang et al. Knowledge graph driven recommendation model of graph neural network
Asim et al. Predicting influential blogger’s by a novel, hybrid and optimized case based reasoning approach with balanced random forest using imbalanced data
CN110795640B (zh) 一种弥补群组成员差异的自适应组推荐方法
Yu et al. Followee recommendation in microblog using matrix factorization model with structural regularization
CN116595467A (zh) 一种基于动态加权图卷积的异常用户检测方法及存储介质
Ouyang et al. Cross-domain recommendation with cross-graph knowledge transfer network
Le et al. Enhancing Anchor Link Prediction in Information Networks through Integrated Embedding Techniques
CN114385804A (zh) 一种基于元学习的异构图注意力神经网络的评论推荐方法
Belkacem Machine learning approaches to rank news feed updates on social media
Zhang et al. SARC: Split-and-recombine networks for knowledge-based recommendation

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