CN112364258A - 基于图谱的推荐方法、系统、存储介质及电子设备 - Google Patents
基于图谱的推荐方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112364258A CN112364258A CN202011321111.4A CN202011321111A CN112364258A CN 112364258 A CN112364258 A CN 112364258A CN 202011321111 A CN202011321111 A CN 202011321111A CN 112364258 A CN112364258 A CN 112364258A
- Authority
- CN
- China
- Prior art keywords
- user
- recommended
- hidden
- graph
- social network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 63
- 238000000605 extraction Methods 0.000 claims description 36
- 238000007906 compression Methods 0.000 claims description 29
- 230000006835 compression Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于图谱的推荐方法、系统、存储介质及电子设备,推荐方法包括:用户特征获取步骤:构建并通过社交网络图谱获取社交网络图谱用户特征;物品特征获取步骤:构建并通过知识图谱获取知识图谱物品特征;融合步骤:将所述社交网络图谱用户特征与所述知识图谱物品特征分别与推荐用户特征及推荐物品特征进行融合获得推荐用户隐特征及推荐物品隐特征;推荐步骤:根据所述推荐用户隐特征及所述推荐物品隐特征输出推荐值。本发明通过引入社交网络图谱,解决信息缺乏问题;同时使用卷积神经网络解决无法充分提取潜在特征的问题。
Description
技术领域
本发明涉及多任务推荐领域,具体地说,尤其涉及一种基于图谱的推荐方法、系统、存储介质及电子设备。
背景技术
推荐系统已经广泛应用在实际生活中的很多场景,特别是个性化推荐系统已经有越来越多的研究工作和落地实践,但是仍然面临一些问题,例如数据稀疏、冷启动等。
近年来,利用知识图谱作为辅助信息生成推荐已经引起了人们相当大的兴趣,不仅可以缓解上述问题,更精确的进行个性化推荐,而且可以对推荐结果进行解释,有迹可循。
受到在各种任务中成功应用知识图谱的启发,研究人员试图利用知识图谱来提高推荐系统的性能。基于知识图谱的推荐可以分为两大类:基于元路径的推荐和基于embedding的推荐。基于embedding的推荐又可以分为三类:依次训练、联合训练和交替训练。
基于元路径的推荐如PER和FMG,其将知识图谱视为异构信息网络,并提取基于元路径/元图的潜在特征,通过不同类型的关系路径/图形来表示用户和物品之间的连通性。
依次训练方法如深度知识感知网络(DKN),首先使用知识图谱特征学习得到实体向量和关系向量,如何将这些低维向量引入推荐系统,学习得到用户向量和物品向量以进行推荐。
联合训练的代表模型为RippleNet,作者提出用户的偏好传播在知识图谱上像水波一样。对一个embedding的知识图谱,user embedding通过与用户交互过的物品经过在知识图谱上的传播得到。即,以用户历史交互过的物品为出发点,扩展N层,并对每一层到达的实体的embedding加权求和,最后对N层的embedding加权汇总。在得到user embedding之后,将其与知识图谱内的物品embedding分别计算交互可能性,按交互可能性进行排序并推荐。
MKR是一个交替训练模型,通过交替学习以更好的融合知识图谱的推荐任务。模型左边是推荐任务,以用户和物品的特征表示作为输入,预测点击率y。模型右边是知识图谱任务,以三元组的头结点h和关系r的表示作为输入,预测尾结点t。两者的特征交互由交叉压缩单元实现,让两者都获得来自对方的额外信息,从而弥补了自身的信息稀疏性的不足。
在实际使用中发现现有技术存在以下缺陷:
1)基于元路径的推荐模型缺点:
PER和FMG严重依赖人工设计的元路径/元图,这限制了其在通用推荐场景中的应用。
2)依次训练模型缺点:
DKN的两个模块相互独立,所以无法做到端到端的训练。通常来说,知识图谱特征学习到的向量会更适合于知识图谱内的任务,如实体分类、链接预测等,并非完全适用于推荐任务。
3)联合训练模型缺点:
RippleNet最终的目标函数以及权重的分配需要精细的实验才能确定,并且计算开销较大。
4)交替学习模型缺点:
交替学习介于依次学习和联合学习之间,解决了依次学习无法端到端训练并且向量不适合推荐的问题;解决了RippleNet计算开销大的问题;
但是,在MKR中虽然物品的信息由知识图谱对其进行补充,但是用户的信息缺乏;而且MLP的特征表达能力较弱,无法充分提取用户和关系的潜在特征。
因此亟需开发一种克服上述缺陷的基于图谱的推荐方法、系统、存储介质及电子设备。
发明内容
针对上述问题,本发明提供一种基于图谱的推荐方法,其中,包括:
用户特征获取步骤:构建并通过社交网络图谱获取社交网络图谱用户特征;
物品特征获取步骤:构建并通过知识图谱获取知识图谱物品特征;
融合步骤:将所述社交网络图谱用户特征与所述知识图谱物品特征分别与推荐用户特征及推荐物品特征进行融合获得推荐用户隐特征及推荐物品隐特征;
推荐步骤:根据所述推荐用户隐特征及所述推荐物品隐特征输出推荐值。
上述的推荐方法,其中,所述用户特征获取步骤包括:
社交网络图谱构建步骤:根据用户及用户属性构建所述社交网络图谱;
第一三元组提取步骤:从所述社交网络图谱提取第一三元组,其中所述第一三元组包括头节点、关系及预测尾节点;
用户隐特征提取步骤:通过L层的交叉压缩单元从所述头节点及所述推荐用户特征中提取用户隐特征;
第一关系隐特征提取步骤:通过卷积神经网络从所述关系中提取关系隐特征;
第一验证步骤:将所述用户隐特征及所述关系隐特征拼接后通过MLP模型获得真实尾节点的特征向量,通过所述真实尾节点的特征向量与所述预测尾节点的特征向量对所述社交网络图谱进行验证;
社交网络图谱用户特征获取步骤:通过验证后的所述社交网络图谱提取所述社交网络图谱用户特征。
上述的推荐方法,其中,所述物品特征获取步骤包括:
知识图谱构建步骤:根据物品及物品属性构建所述知识图谱;
第二三元组提取步骤:从所述知识图谱提取第二三元组,其中所述第二三元组包括头节点、关系及预测尾节点;
用户隐特征提取步骤:通过L层的交叉压缩单元从所述头节点及所述推荐物品特征中提取物品隐特征;
第二关系隐特征提取步骤:通过卷积神经网络从所述关系中提取关系隐特征;
第二验证步骤:将所述物品隐特征及所述关系隐特征拼接后通过MLP模型获得真实尾节点的特征向量,通过所述真实尾节点的特征向量与所述预测尾节点的特征向量对所述知识图谱进行验证;
知识图谱物品特征获取步骤:通过验证后的所述知识图谱取所述知识图谱物品特征。
上述的推荐方法,其中,所述融合步骤包括:
推荐用户隐特征获得步骤:通过L层的交叉压缩单元将所述社交网络图谱用户特征与所述推荐用户特征进行交叉压缩后获得推荐用户隐特征;
推荐物品隐特征获得步骤:通过L层的交叉压缩单元将所述知识图谱物品特征与所述推荐物品特征进行交叉压缩后获得所述推荐物品隐特征。
本发明还提供一种基于图谱的推荐系统,其中,包括:
用户特征获取单元:构建并通过社交网络图谱获取社交网络图谱用户特征;
物品特征获取单元:构建并通过知识图谱获取知识图谱物品特征;
融合单元:将所述社交网络图谱用户特征与所述知识图谱物品特征分别与推荐用户特征及推荐物品特征进行融合获得推荐用户隐特征及推荐物品隐特征;
推荐单元:根据所述推荐用户隐特征及所述推荐物品隐特征输出推荐值。
上述的推荐系统,其中,所述用户特征获取单元包括:
社交网络图谱构建模块:根据用户及用户属性构建所述社交网络图谱;
第一三元组提取模块:从所述社交网络图谱提取第一三元组,其中所述第一三元组包括头节点、关系及预测尾节点;
用户隐特征提取模块:通过L层的交叉压缩单元从所述头节点及所述推荐用户特征中提取用户隐特征;
第一关系隐特征提取模块:通过卷积神经网络从所述关系中提取关系隐特征;
第一验证模块:将所述用户隐特征及所述关系隐特征拼接后通过MLP模型获得真实尾节点的特征向量,通过所述真实尾节点的特征向量与所述预测尾节点的特征向量对所述社交网络图谱进行验证;
社交网络图谱用户特征获取模块:通过验证后的所述社交网络图谱提取所述社交网络图谱用户特征。
上述的推荐系统,其中,所述物品特征获取单元包括:
知识图谱构建模块:根据物品及物品属性构建所述知识图谱;
第二三元组提取模块:从所述知识图谱提取第二三元组,其中所述第二三元组包括头节点、关系及预测尾节点;
物品隐特征提取模块:通过L层的交叉压缩单元从所述头节点及所述推荐物品特征中提取物品隐特征;
第二关系隐特征提取模块:通过卷积神经网络从所述关系中提取关系隐特征;
第二验证模块:将所述物品隐特征及所述关系隐特征拼接后通过MLP模型获得真实尾节点的特征向量,通过所述真实尾节点的特征向量与所述预测尾节点的特征向量对所述知识图谱进行验证;
知识图谱物品特征获取模块:通过验证后的所述知识图谱取所述知识图谱物品特征。
上述的推荐系统,其中,所述融合单元包括:
推荐用户隐特征获得模块:通过L层的交叉压缩单元将所述社交网络图谱用户特征与所述推荐用户特征进行交叉压缩后获得推荐用户隐特征;
推荐物品隐特征获得模块:通过L层的交叉压缩单元将所述知识图谱物品特征与所述推荐物品特征进行交叉压缩后获得所述推荐物品隐特征。
本发明还提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述中任一项所述的推荐方法。
本发明还提供一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上述中任一项所述的推荐方法。
综上所述,本发明相对于现有技术其功效在于:
1)通过引入社交网络图谱,将社交网络图谱中的用户向量和推荐任务中的用户向量信息交叉共享,让两者获得来自对方的额外信息,弥补自身信息不足的缺陷,解决MKR的用户信息仅由用户id表征,信息缺乏问题;
2)使用CNN代替MLP提取社交网络图谱中的关系和知识图谱中的关系,解决MKR模型中使用MLP对用户和关系进行表征,无法充分提取潜在特征的问题。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
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作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于图谱的推荐方法的流程图;
图2为图1中步骤S1的分步骤流程图;
图3为图1中步骤S2的分步骤流程图;
图4为图1中步骤S3的分步骤流程图;
图5为本发明的基于图谱的推荐方法的应用流程图;
图6为社交网络图谱的示意图;
图7为本发明的基于图谱的推荐系统的结构示意图;
图8为本发明的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。另外,在附图及实施方式中所使用相同或类似标号的元件/构件是用来代表相同或类似部分。
关于本文中所使用的“第一”、“第二”、“S1”、“S2”、…等,并非特别指称次序或顺位的意思,也非用以限定本发明,其仅为了区别以相同技术用语描述的元件或操作。
关于本文中所使用的方向用语,例如:上、下、左、右、前或后等,仅是参考附图的方向。因此,使用的方向用语是用来说明并非用来限制本创作。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等,均为开放性的用语,即意指包含但不限于。
关于本文中所使用的“及/或”,包括所述事物的任一或全部组合。
关于本文中的“多个”包括“两个”及“两个以上”;关于本文中的“多组”包括“两组”及“两组以上”。
关于本文中所使用的用语“大致”、“约”等,用以修饰任何可以微变化的数量或误差,但这些微变化或误差并不会改变其本质。一般而言,此类用语所修饰的微变化或误差的范围在部分实施例中可为20%,在部分实施例中可为10%,在部分实施例中可为5%或是其他数值。本领域技术人员应当了解,前述提及的数值可依实际需求而调整,并不以此为限。
某些用以描述本申请的用词将于下或在此说明书的别处讨论,以提供本领域技术人员在有关本申请的描述上额外的引导。
本发明提出了一个本发明提出了一种基于社交网络图谱和知识图谱的多任务推荐方法。不仅解决了MKR的用户信息仅由用户id表征,信息缺乏问题;还解决了MKR模型中使用MLP对用户和关系进行表征,无法充分提取潜在特征的问题。
请参照图1,图1为本发明的基于图谱的推荐方法的流程图。如图1所示,本发明的基于图谱的推荐方法包括:
用户特征获取步骤S1:构建并通过社交网络图谱获取社交网络图谱用户特征;
物品特征获取步骤S2:构建并通过知识图谱获取知识图谱物品特征;
融合步骤S3:将所述社交网络图谱用户特征与所述知识图谱物品特征分别与推荐用户特征及推荐物品特征进行融合获得推荐用户隐特征及推荐物品隐特征;
推荐步骤S4:根据所述推荐用户隐特征及所述推荐物品隐特征输出推荐值。
本发明利用社交网络图谱对推荐任务中的用户特征进行补充,交替训练社交网络图谱中的用户特征向量和推荐任务中的用户特征向量,并进行特征交叉,提高推荐任务的准确性。
请参照图2,图2为图1中步骤S1的分步骤流程图。如图2所示,所述用户特征获取步骤S1包括:
社交网络图谱构建步骤S11:根据用户及用户属性构建所述社交网络图谱;
第一三元组提取步骤S12:从所述社交网络图谱提取第一三元组,其中所述第一三元组包括头节点、关系及预测尾节点;
用户隐特征提取步骤S13:通过L层的交叉压缩单元从所述头节点及所述推荐用户特征中提取用户隐特征;
第一关系隐特征提取步骤S14:通过卷积神经网络从所述关系中提取关系隐特征;
第一验证步骤S15:将所述用户隐特征及所述关系隐特征拼接后通过MLP模型获得真实尾节点的特征向量,通过所述真实尾节点的特征向量与所述预测尾节点的特征向量对所述社交网络图谱进行验证;
社交网络图谱用户特征获取步骤S16:通过验证后的所述社交网络图谱提取所述社交网络图谱用户特征。
请参照图3,图3为图1中步骤S2的分步骤流程图。如图3所示,所述物品特征获取步骤S2包括:
知识图谱构建步骤S21:根据物品及物品属性构建所述知识图谱;
第二三元组提取步骤S22:从所述知识图谱提取第二三元组,其中所述第二三元组包括头节点、关系及预测尾节点;
用户隐特征提取步骤S23:通过L层的交叉压缩单元从所述头节点及所述推荐物品特征中提取物品隐特征;
第二关系隐特征提取步骤S24:通过卷积神经网络从所述关系中提取关系隐特征;
第二验证步骤S25:将所述物品隐特征及所述关系隐特征拼接后通过MLP模型获得真实尾节点的特征向量,通过所述真实尾节点的特征向量与所述预测尾节点的特征向量对所述知识图谱进行验证;
知识图谱物品特征获取步骤S26:通过验证后的所述知识图谱取所述知识图谱物品特征。
值得注意的是,本发明使用卷积神经网络(CNN)做社交网络图谱和知识图谱中关系的局部特征提取,从而更充分提取关系特征。通过用户特征和推荐用户特征进行特征交互融合,通过物品特征和推荐物品特征进行特征交互融合,可以提高三个任务的准确率。
请参照图4,图4为图1中步骤S3的分步骤流程图。如图4所示,所述融合步骤S3包括:
推荐用户隐特征获得步骤S31:通过L层的交叉压缩单元将所述社交网络图谱用户特征与所述推荐用户特征进行交叉压缩后获得推荐用户隐特征;
推荐物品隐特征获得步骤S32:通过L层的交叉压缩单元将所述知识图谱物品特征与所述推荐物品特征进行交叉压缩后获得所述推荐物品隐特征。
请参照图5及图6,图5为本发明的基于图谱的推荐方法的应用流程图;图6为社交网络图谱的示意图。以下结合图5及图6具体说明本发明推荐方法的工作过程。
推荐方法分为三个部分,左边是社交网络图谱任务,中间是推荐任务,右边是知识图谱任务。
第一部分:社交网络图谱任务,以社交网络图谱三元组的头节点hu和关系ru表示作为输入,预测尾节点tu,如图中左边部分所示。
这里的社交网络图谱跟传统意义上的社交网络有所不同。传统的社交网络是根据用户之间的关注,是否是朋友关系构建,网络中的节点是仅为用户,节点之间的边为用户之间的关系。这里的社交网络图谱是根据用户的部分属性构建,如用户归属地(城市)、用户感兴趣的话题、用户所属年龄段等,如图6所示。
在图6中,用户、归属地、年龄段、话题都是节点,节点之间以边相连,如节点u1与北京相连,表示用户u1的归属地为北京;与股票和互联网相连,表示用户u1对股票和互联网话题感兴趣。
与知识图谱类似,从上图社交网络图谱中可以提取三元组(hu,ru,tu),对于提取的三元组,首先利用L层的交叉压缩单元提取头部节点hu的原始特征向量,使用CNN提取关系ru的原始特征向量。交叉压缩单元的具体实现参考论文MKR,或者博客。
S(hu)是社交网络图谱中的用户集合。
这里使用CNN(卷积神经网络)提取关系的特征,与传统的MLP相比,CNN中卷积层的权值共享使网络中可训练的参数变少,降低了网络模型的复杂度,减少过拟合,从而得到更好的泛化能力;另一方面,采用CNN做局部特征提取,可以获得更加丰富的特征。
最后,使用一个相似性度量函数fSG计算真实尾部节点向量与预测尾部节点向量的相似度,作为该三元组的得分。
第二部分:推荐任务,以用户和物品的特征表示作为输入,预测是否点击,如图中中间部分所示。
推荐模块的输入由两个原始特征向量u和v组成,分别描述用户u和物品v,以one-hot编码对其进行表示。对于用户u和物品v,与社交网络图谱类似,分别使用L层的交叉压缩单元提取其特征:
得到两个特征向量之后,通过向量内积或者MLP计算用户u参与物品v的概率:
第三部分:知识图谱任务,以知识图谱三元组的头节点hv和关系rv表示作为输入,预测尾节点tv,如图中右边部分所示。
知识图谱通过物品和物品的属性构建,以新闻为例,物品即新闻,物品属性如新闻类别、所属话题、发布者等。知识图谱任务的训练和社交网络图谱的训练基本相同,利用L层的交叉压缩单元提取头部节点hv的原始特征向量,使用CNN提取关系rv的原始特征向量,得到物品隐特征和关系隐特征之后,将这两个特征拼接在一起,输入一个K层的MLP模型,预测尾部节点tv,最后计算三元组的得分:
请参照图7,图7为本发明的基于图谱的推荐系统的结构示意图。如图7所示,本发明基于图谱的推荐系统包括:
用户特征获取单元11:构建并通过社交网络图谱获取用户特征;
物品特征获取单元12:构建并通过知识图谱获取物品特征;
融合单元13:将所述社交网络图谱用户特征与所述知识图谱物品特征分别与推荐用户特征及推荐物品特征进行融合获得推荐用户隐特征及推荐物品隐特征;
推荐单元14:根据所述推荐用户隐特征及所述推荐物品隐特征输出推荐值。
进一步地,所述用户特征获取单元11包括:
社交网络图谱构建模块121:根据用户及用户属性构建所述社交网络图谱;
第一三元组提取模块122:从所述社交网络图谱提取第一三元组,其中所述第一三元组包括头节点、关系及预测尾节点;
用户隐特征提取模块123:通过L层的交叉压缩单元从所述头节点中提取用户隐特征;
第一关系隐特征提取模块124:通过卷积神经网络从所述关系中提取关系隐特征;
第一验证模块125:将所述用户隐特征及所述关系隐特征拼接后通过MLP模型获得真实尾节点的特征向量,通过所述真实尾节点的特征向量与所述预测尾节点的特征向量对所述社交网络图谱进行验证;
社交网络图谱用户特征获取模块126:通过验证后的所述社交网络图谱提取所述社交网络图谱用户特征。
又进一步地,所述物品特征获取单元12包括:
知识图谱构建模块121:根据物品及物品属性构建所述知识图谱;
第二三元组提取模块122:从所述知识图谱提取第二三元组,其中所述第二三元组包括头节点、关系及预测尾节点;
物品隐特征提取模块123:通过L层的交叉压缩单元从所述头节点及所述推荐物品特征中提取物品隐特征;
第二关系隐特征提取模块124:通过卷积神经网络从所述关系中提取关系隐特征;
第二验证模块125:将所述物品隐特征及所述关系隐特征拼接后通过MLP模型获得真实尾节点的特征向量,通过所述真实尾节点的特征向量与所述预测尾节点的特征向量对所述知识图谱进行验证;
知识图谱物品特征获取模块126:通过验证后的所述知识图谱取所述知识图谱物品特征。
更进一步地,所述融合单元13包括:
推荐用户隐特征获得模块131:通过L层的交叉压缩单元将所述社交网络图谱用户特征与所述推荐用户特征进行交叉压缩后获得推荐用户隐特征;
推荐物品隐特征获得模块132:通过L层的交叉压缩单元将所述知识图谱物品特征与所述推荐物品特征进行交叉压缩后获得所述推荐物品隐特征。
请参照图8,图8本发明的电子设备的结构示意图。如图8所示,本实施例揭示了一种电子设备的一种具体实施方式。电子设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地,上述处理器81可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器82可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器82可在数据处理装置的内部或外部。在特定实施例中,存储器82是非易失性(Non-Volatile)存储器。在特定实施例中,存储器82包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令,以实现上述实施例中的任意一种推荐方法。
在其中一些实施例中,电子设备还可包括通信接口83和总线80。其中,如图8所示,处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线80可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(FrontSide Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中处理方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种推荐方法。
综上所述,本发明的多任务推荐技术通过引入社交网络图谱,将社交网络图谱中的用户向量和推荐任务中的用户向量信息交叉共享,让两者获得来自对方的额外信息,弥补自身信息不足的缺陷,解决MKR的用户信息仅由用户id表征,信息缺乏问题;同时使用CNN代替MLP提取社交网络图谱中的关系和知识图谱中的关系,解决MKR模型中使用MLP对用户和关系进行表征,无法充分提取潜在特征的问题。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于图谱的推荐方法,其特征在于,包括:
用户特征获取步骤:构建并通过社交网络图谱获取社交网络图谱用户特征;
物品特征获取步骤:构建并通过知识图谱获取知识图谱物品特征;
融合步骤:将所述社交网络图谱用户特征与所述知识图谱物品特征分别与推荐用户特征及推荐物品特征进行融合获得推荐用户隐特征及推荐物品隐特征;
推荐步骤:根据所述推荐用户隐特征及所述推荐物品隐特征输出推荐值。
2.如权利要求1所述的推荐方法,其特征在于,所述用户特征获取步骤包括:
社交网络图谱构建步骤:根据用户及用户属性构建所述社交网络图谱;
第一三元组提取步骤:从所述社交网络图谱提取第一三元组,其中所述第一三元组包括头节点、关系及预测尾节点;
用户隐特征提取步骤:通过L层的交叉压缩单元从所述头节点及所述推荐用户特征中提取用户隐特征;
第一关系隐特征提取步骤:通过卷积神经网络从所述关系中提取关系隐特征;
第一验证步骤:将所述用户隐特征及所述关系隐特征拼接后通过MLP模型获得真实尾节点的特征向量,通过所述真实尾节点的特征向量与所述预测尾节点的特征向量对所述社交网络图谱进行验证;
社交网络图谱用户特征获取步骤:通过验证后的所述社交网络图谱提取所述社交网络图谱用户特征。
3.如权利要求2所述的推荐方法,其特征在于,所述物品特征获取步骤包括:
知识图谱构建步骤:根据物品及物品属性构建所述知识图谱;
第二三元组提取步骤:从所述知识图谱提取第二三元组,其中所述第二三元组包括头节点、关系及预测尾节点;
用户隐特征提取步骤:通过L层的交叉压缩单元从所述头节点及所述推荐物品特征中提取物品隐特征;
第二关系隐特征提取步骤:通过卷积神经网络从所述关系中提取关系隐特征;
第二验证步骤:将所述物品隐特征及所述关系隐特征拼接后通过MLP模型获得真实尾节点的特征向量,通过所述真实尾节点的特征向量与所述预测尾节点的特征向量对所述知识图谱进行验证;
知识图谱物品特征获取步骤:通过验证后的所述知识图谱取所述知识图谱物品特征。
4.如权利要求3所述的推荐方法,其特征在于,所述融合步骤包括:
推荐用户隐特征获得步骤:通过L层的交叉压缩单元将所述社交网络图谱用户特征与所述推荐用户特征进行交叉压缩后获得推荐用户隐特征;
推荐物品隐特征获得步骤:通过L层的交叉压缩单元将所述知识图谱物品特征与所述推荐物品特征进行交叉压缩后获得所述推荐物品隐特征。
5.一种基于图谱的推荐系统,其特征在于,包括:
用户特征获取单元:构建并通过社交网络图谱获取社交网络图谱用户特征;
物品特征获取单元:构建并通过知识图谱获取知识图谱物品特征;
融合单元:将所述社交网络图谱用户特征与所述知识图谱物品特征分别与推荐用户特征及推荐物品特征进行融合获得推荐用户隐特征及推荐物品隐特征;
推荐单元:根据所述推荐用户隐特征及所述推荐物品隐特征输出推荐值。
6.如权利要求5所述的推荐系统,其特征在于,所述用户特征获取单元包括:
社交网络图谱构建模块:根据用户及用户属性构建所述社交网络图谱;
第一三元组提取模块:从所述社交网络图谱提取第一三元组,其中所述第一三元组包括头节点、关系及预测尾节点;
用户隐特征提取模块:通过L层的交叉压缩单元从所述头节点及所述推荐用户特征中提取用户隐特征;
第一关系隐特征提取模块:通过卷积神经网络从所述关系中提取关系隐特征;
第一验证模块:将所述用户隐特征及所述关系隐特征拼接后通过MLP模型获得真实尾节点的特征向量,通过所述真实尾节点的特征向量与所述预测尾节点的特征向量对所述社交网络图谱进行验证;
社交网络图谱用户特征获取模块:通过验证后的所述社交网络图谱提取所述社交网络图谱用户特征。
7.如权利要求6所述的推荐系统,其特征在于,所述物品特征获取单元包括:
知识图谱构建模块:根据物品及物品属性构建所述知识图谱;
第二三元组提取模块:从所述知识图谱提取第二三元组,其中所述第二三元组包括头节点、关系及预测尾节点;
物品隐特征提取模块:通过L层的交叉压缩单元从所述头节点及所述推荐物品特征中提取物品隐特征;
第二关系隐特征提取模块:通过卷积神经网络从所述关系中提取关系隐特征;
第二验证模块:将所述物品隐特征及所述关系隐特征拼接后通过MLP模型获得真实尾节点的特征向量,通过所述真实尾节点的特征向量与所述预测尾节点的特征向量对所述知识图谱进行验证;
知识图谱物品特征获取模块:通过验证后的所述知识图谱取所述知识图谱物品特征。
8.如权利要求7所述的推荐系统,其特征在于,所述融合单元包括:
推荐用户隐特征获得模块:通过L层的交叉压缩单元将所述社交网络图谱用户特征与所述推荐用户特征进行交叉压缩后获得推荐用户隐特征;
推荐物品隐特征获得模块:通过L层的交叉压缩单元将所述知识图谱物品特征与所述推荐物品特征进行交叉压缩后获得所述推荐物品隐特征。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的推荐方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4中任一项所述的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011321111.4A CN112364258B (zh) | 2020-11-23 | 2020-11-23 | 基于图谱的推荐方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011321111.4A CN112364258B (zh) | 2020-11-23 | 2020-11-23 | 基于图谱的推荐方法、系统、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364258A true CN112364258A (zh) | 2021-02-12 |
CN112364258B CN112364258B (zh) | 2024-02-27 |
Family
ID=74532785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011321111.4A Active CN112364258B (zh) | 2020-11-23 | 2020-11-23 | 基于图谱的推荐方法、系统、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364258B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553510A (zh) * | 2021-07-30 | 2021-10-26 | 华侨大学 | 一种文本信息推荐方法、装置及可读介质 |
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 |
US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
CN110263257A (zh) * | 2019-06-24 | 2019-09-20 | 北京交通大学 | 基于深度学习的多源异构数据混合推荐模型 |
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 |
CN111881342A (zh) * | 2020-06-23 | 2020-11-03 | 北京工业大学 | 一种基于图孪生网络的推荐方法 |
-
2020
- 2020-11-23 CN CN202011321111.4A patent/CN112364258B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
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 |
CN110263257A (zh) * | 2019-06-24 | 2019-09-20 | 北京交通大学 | 基于深度学习的多源异构数据混合推荐模型 |
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 |
CN111881342A (zh) * | 2020-06-23 | 2020-11-03 | 北京工业大学 | 一种基于图孪生网络的推荐方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553510A (zh) * | 2021-07-30 | 2021-10-26 | 华侨大学 | 一种文本信息推荐方法、装置及可读介质 |
CN113553510B (zh) * | 2021-07-30 | 2023-06-20 | 华侨大学 | 一种文本信息推荐方法、装置及可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112364258B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108287864B (zh) | 一种兴趣群组划分方法、装置、介质及计算设备 | |
CN111522962A (zh) | 序列推荐方法、装置及计算机可读存储介质 | |
US20200288205A1 (en) | Method, apparatus, electronic device, and storage medium for recommending multimedia resource | |
CN112765486A (zh) | 一种融合知识图谱的注意力机制的电影推荐方法 | |
CN110573837B (zh) | 导航方法、装置、存储介质以及服务器 | |
CN112382099B (zh) | 交通路况预测方法、装置、电子设备及存储介质 | |
CN110009486B (zh) | 一种欺诈检测的方法、系统、设备及计算机可读存储介质 | |
CN110096617B (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN106651427B (zh) | 基于用户行为的数据关联方法 | |
US20190094941A1 (en) | Power state control of a mobile device | |
CN116601626A (zh) | 个人知识图谱构建方法、装置及相关设备 | |
WO2023185925A1 (zh) | 一种数据处理方法及相关装置 | |
CN114692007B (zh) | 表示信息的确定方法、装置、设备及存储介质 | |
US10956976B2 (en) | Recommending shared products | |
CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN112364258A (zh) | 基于图谱的推荐方法、系统、存储介质及电子设备 | |
CN114330476A (zh) | 用于媒体内容识别的模型训练方法及媒体内容识别方法 | |
CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
CN115687764A (zh) | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 | |
CN113722554A (zh) | 数据分类方法、装置及计算设备 | |
CN104809165A (zh) | 一种多媒体文件相关度的确定方法及设备 | |
CN111091198A (zh) | 一种数据处理方法及装置 | |
CN117786234B (zh) | 一种基于两阶段对比学习的多模态资源推荐方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |