CN112989064A - 一种聚合知识图神经网络和自适应注意力的推荐方法 - Google Patents

一种聚合知识图神经网络和自适应注意力的推荐方法 Download PDF

Info

Publication number
CN112989064A
CN112989064A CN202110279670.1A CN202110279670A CN112989064A CN 112989064 A CN112989064 A CN 112989064A CN 202110279670 A CN202110279670 A CN 202110279670A CN 112989064 A CN112989064 A CN 112989064A
Authority
CN
China
Prior art keywords
user
representation
representing
entity
embedded
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
CN202110279670.1A
Other languages
English (en)
Other versions
CN112989064B (zh
Inventor
张宜浩
袁孟
赵楚
陈绵
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.)
Dragon Totem Technology Hefei Co ltd
Wuhan Baijie Zhichuang Digital Media Group Co.,Ltd.
Original Assignee
Chongqing University of Technology
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 Chongqing University of Technology filed Critical Chongqing University of Technology
Priority to CN202110279670.1A priority Critical patent/CN112989064B/zh
Publication of CN112989064A publication Critical patent/CN112989064A/zh
Application granted granted Critical
Publication of CN112989064B publication Critical patent/CN112989064B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367Ontology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/048Activation functions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning 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

本发明提出了一种聚合知识图神经网络和自适应注意力的推荐方法,包括以下步骤:S1,将用户,关系,实体的知识图三元组作为输入,并为其分配初始嵌入表示即用户嵌入表示、关系嵌入表示、实体嵌入表示;S2,利用内积表示该种关系对用户的重要程度;将异构知识图谱转换为一个带权图,然后挑选邻居目标节点并训练其领域嵌入表示;将初始的实体嵌入表示喂进图神经网络训练并产生新的实体嵌入表示;随后聚合得到最终物品嵌入表示;S3,将用户嵌入表示和最终物品嵌入表示的内积作为最终预测评分,并将最高得分所对应的物品推荐给用户。本发明有效解决了矩阵分解算法仅利用用户与物品交互的局限性问题,且在聚合目标节点邻域的矢量表示时考虑了邻居节点。

Description

一种聚合知识图神经网络和自适应注意力的推荐方法
技术领域
本发明涉及信息处理技术领域,特别是涉及一种聚合知识图神经网络和自适应注意力的推荐方法。
背景技术
在信息超载的时代,推荐系统在各种线上服务中起着举足轻重的作用,旨在为用户推荐感兴趣的物品。矩阵分解作为推荐系统中使用的一种流行技术,利用用户物品评分矩阵作为输入数据,将用户向量和物品向量的内积来模拟用户偏好。但是,评分仅反映用户对商品的整体评价,而不能反映该商品的某个具体方面。因此,矩阵分解(MF)技术无法从物品的各个方面进行用户偏好的细粒度建模,也无法解释推荐结果。
近年来涌现了许多基于知识图谱(KG)的推荐系统的工作,由于KG包含丰富的语义信息并可以表达复杂的用户物品关系。基于嵌入的方法利用知识图嵌入技术将实体和关系映射到低维向量空间,丰富用户和物品的表示。基于路径的方法考虑KG中实体的连通性,并构建用户物品图以提高推荐性能。最近,研究人员以不同的方式融合基于嵌入的方法和基于路径的方法,由于图神经网络(GNN)强大的学习和表示能力,研究人员还在KG中实现了偏好传播,旨在充分挖掘其高阶关系。
近年来,许多研究人员尝试利用知识图谱(KG)结构进行推荐,可以将其分为三种类型:基于嵌入的方法,基于路径的方法和联合的方法。
基于嵌入的方法通常直接利用知识图中的信息来丰富用户和物品的表示。此类方法通常利用知识图嵌入算法(KGE)对知识图谱进行编码以得到物品表示,然后将物品辅助信息融合到推荐框架中。例如,张福征等提出了基于嵌入的协同知识推荐算法(CKE),该算法将协同过滤(CF)模块与物品的知识嵌入,文本嵌入和图像嵌入相结合。为了捕获用户的动态兴趣,王鸿伟等通过将实体嵌入和词嵌入与卷积神经网络(CNN)结合在一起提出了面向新闻推荐的深度知识网络算法(DKN),该框架汇总了历史点击序列的嵌入以学习用户表示。王鸿伟等接着提出了用于情感链接预测的异构信息网络嵌入算法(SHINE),该算法将名人推荐任务看作图中实体之间的情感链接预测任务。还有一些工作试图将用户整合到知识图谱中,如曹一新等提出了基于知识图谱的协同过滤模型(CFKG),该模型首先构造用户物品知识图谱,并设计了一个度量函数来测量知识图谱中两个实体之间的距离。
基于路径的方法通过探索知识图谱中物品的各种联系以提供推荐。例如,余晓等提出的基于异构信息网络的矩阵分解模型(HeteMF)通过提取不同的元路径并计算各条路径中的物品与物品间的相似度,以增强用户和物品的表示。罗成等进一步考虑用户-用户相似度和用户-物品相似度提出了用于异构信息网络的协同过滤模型(HeteCF)。余晓等接着提出的基于异构信息网络的元路径推荐模型(HeteRec)直接利用元路径相似性来丰富用户-物品交互矩阵,从而更全面地表示用户和物品。随后,俞潇等提出的个性化实体推荐模型(PER)进一步考虑不同元路径的重要性应该针对不同用户而有所不同。为了突破元路径表达能力的限制,赵欢等提出的基于元图的异构信息网络推荐模型(FMG)将元路径替换成元图,该元图包含比元路径更丰富的连通信息,并更准确地捕获实体之间的相似性。另外,为了减少元路径选择的数量,马威志等提出了基于知识图谱的联合学习算法模型(RuleRec),该模型通过利用KG中实体之间的连通性来学习关联物品之间的关系,有共同点击或共同查看等行为的称为关联物品。
联合的方法巧妙地融合了基于嵌入的方法和基于路径的方法,它们结合了实体的语义表示,关系和信息的连通性。例如,王鸿伟等提出了基于知识图谱的用户偏好传播模型(RipplNet),这是第一项引入偏好传播概念的工作。具体来说,RippleNet模型通过KG路径传播用户的历史交互偏好。与此类似的,唐小莉等提出了面向知识的增强注意力模型(AKUPM),以用户的点击历史记录对其进行建模。具体来说,AKUPM模型通过一个自我注意层来学习实体之间的连接信息,并传播用户的偏好。为了进一步挖掘KG的高阶关系,王项等提出了知识图注意力网络模型(KGAT),该模型运行实体本身并向外传播。瞿彦如等提出的基于端到端的领域交互模型(KNI),它进一步考虑了物品侧邻居和用户侧邻居之间的相互作用,因此能够并行优化用户表示和物品表示。
基于知识图谱(KG)的推荐系统通过考虑物品的各个方面以提供准确的推荐。许多研究表明,利用KG的丰富语义是提高推荐性能的有效方法,并且可以缓解数据稀疏性且为用户提供可解释性的推荐结果。但是,现有的基于KG的推荐系统忽略了以下的事实:用户通常会对物品的各种关系给予不同程度的重视的事实;用户对不同物品的各种关系有不同的期望,可以用关系向量表示。但现有的基于KG的推荐系统无法直接对关系向量进行建模,也无法直观显示注意力权重。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种聚合知识图神经网络和自适应注意力的推荐方法。
为了实现本发明的上述目的,本发明提供了一种聚合知识图神经网络和自适应注意力的推荐方法,包括以下步骤:
S1,将用户,关系,实体的知识图三元组作为输入,并为其分配初始嵌入表示即用户嵌入表示、关系嵌入表示、实体嵌入表示;
S2,利用用户嵌入表示和关系嵌入表示的内积表示该种关系对用户的重要程度;将异构知识图谱转换为一个带权图,然后为目标节点挑选邻居目标节点并训练其领域嵌入表示;同时,将初始的实体嵌入表示喂进图神经网络训练并产生新的实体嵌入表示;随后聚合邻域嵌入表示和新的实体嵌入表示得到最终物品嵌入表示;
S3,将用户嵌入表示和最终物品嵌入表示的内积作为最终预测评分,并将最高得分所对应的物品推荐给用户。
进一步地,所述带权图包括:关系感知注意力和感受野;
所述关系感知注意力包括:
引入一个面向用户的关系注意力得分函数
Figure BDA0002977641860000041
以提供用户u对关系r的重视程度,如式(2)所示:
Figure BDA0002977641860000042
其中u和r分别表示用户u和关系r的嵌入特征向量,·T表示转置;
所述感受野包括:
目标节点v的邻域嵌入表示定义如下:
Figure BDA0002977641860000043
其中
Figure BDA0002977641860000044
为目标节点v的邻域嵌入,e表示实体e,N(v)表示被挑选的邻居集合,
Figure BDA0002977641860000045
表示用户关系得分正则化,如式(4)所示:
Figure BDA0002977641860000046
其中
Figure BDA0002977641860000047
表示以自然底数为底
Figure BDA0002977641860000048
为指数的函数,
Figure BDA0002977641860000049
表示用户u对该种关系r的重视程度,e表示实体e,N(v)表示被挑选的邻居集合。
进一步地,所述图神经网络训练包括:
前馈传播:
Figure BDA00029776418600000410
其中H0表示第0层中实体矩阵,H1表示第1层中实体矩阵,H2表示第2层中实体矩阵,H3表示第3层中实体矩阵,Hl-1表示第l-1层中实体矩阵,Hl表示第l层中实体矩阵;σ(·)表示非线性激活函数,Du表示Au的对角矩阵,Au表示带权图,l表示层数,W0表示第0层的权重参数,W1表示第1层的权重参数,W2表示第2层的权重参数,Wl-1表示第l-1层的权重参数。
进一步地,所述聚合包括:
三种类型的聚合器:GCN聚合器,GraphSage聚合器,Bi交互聚合器;
所述GCN聚合器包括:将目标实体表示与其邻域表示求和并经过非线性转换,如式(6)所示:
Figure BDA0002977641860000051
其中LeakyRelu(·)表示激活函数,Q和b分别表示权重矩阵和偏置,Hl表示第l层中实体矩阵,ev表示物品的最终嵌入特征向量,
Figure BDA0002977641860000052
表示目标节点v的邻域嵌入特征向量;
所述GraphSage聚合器包括:
将目标实体表示和其领域表示串联起来,然后再经过一层非线性变换,如式(7)所示:
Figure BDA0002977641860000053
其中LeakyRelu(·)表示激活函数,Q和b分别表示权重矩阵和偏置,Hl表示第l层中实体矩阵,||表示串联,ev表示物品的最终嵌入特征向量,
Figure BDA0002977641860000054
表示目标节点v的邻域嵌入特征向量;
所述Bi交互聚合器包括:
考虑了目标实体表示和其领域表示的两种特征交互,如式(8)所示:
Figure BDA0002977641860000055
其中LeakyRelu(·)表示激活函数,Hl表示第l层中实体矩阵,⊙表示点积,b1、b2的分别表示第一偏置、第二偏置;Q1、Q2分别表示第一权重矩阵、第二权重矩阵;ev表示物品的最终嵌入特征向量,
Figure BDA0002977641860000061
表示目标节点v的邻域嵌入特征向量。
进一步地,所述最终预测评分是用户表示和物品的最终表示作内积得到的,如式(9)所示:
Figure BDA0002977641860000062
其中u表示用户u的嵌入特征向量,·T表示转置,
Figure BDA0002977641860000063
表示推荐生成的排名得分即预测函数,ev表示物品的最终嵌入特征向量。
进一步地,包括:
为了提高计算效率,在训练期间使用了负采样策略,损失函数定义如式(10)所示:
Figure BDA0002977641860000064
其中O为训练集,i表示与用户产生交互的物品,j表示未与用户产生交互的物品,u表示用户,σ(·)表示非线性激活函数,λ表示L2正则化参数,θ表示参数集,
Figure BDA0002977641860000065
表示范数的平方,
Figure BDA0002977641860000066
分别表示与用户产生交互的物品的概率,未与用户产生交互的物品的概率。
进一步地,包括:
令U={u1,u2,u3...}和V={v1,v2,v3...}分别表示用户集和物品集,u1表示表示用户1,u2表示用户2,u3表示用户3,v1表示物品1,v2表示物品2,v3表示物品3;用户物品交互矩阵Y={yuv|u∈U,v∈V}根据用户的隐式反馈定义,用户物品交互矩阵定义如下:
Figure BDA0002977641860000067
其中yuv表示标记用户u与物品v是否产生交互,产生交互记为1,未产生记为0。
综上所述,由于采用了上述技术方案,本发明能够:
(1)提出了一种新颖的基于自适应的关系感知注意机制上,直接应用关系向量对KG的语义信息进行建模。它在聚合目标节点邻域的矢量表示时考虑了邻居目标节点的重要性。
(2)引入了一个关系感知注意力网络来捕获每个用户物品对的注意力权重,并引入感受野来筛选KG中目标节点的邻居节点,并利用图神经网络解决矩阵分解方法的局限性。
(3)对三个开源数据集上进行了大量实验,实验结果表明KGARA算法优于最新算法。这也证实在推荐模型中本发明的有效性。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明模型的总体框架图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
本发明提出了一种基于自适应关系注意力的知识图推荐模型KGARA,可以准确捕获用户对物品的各种关系的关注度即偏好。详细地说,引入关系的嵌入表示来对KG的语义信息进行建模,并通过注意机制捕获用户对物品的各种关系的关注度。然后将用户向量和关系向量的内积作为注意力权重。
此外,利用图神经网络(GNN)接收注意力权重并迭代更新物品嵌入表示,从而解决矩阵分解算法仅仅利用用户与物品交互的局限性问题;为了减轻计算负担,引入感受野来形成包含有限域目标节点的子图而不是全局图。
在KGARA算法中,图神经网络用于接受注意力权重并迭代更新物品向量。为了评估KGARA模型的有效性,进行了大量实验,将KGARA模型在Movielens-1M数据集,LastFM数据集和Book-Crossing数据集上与几个最新基准进行比较。实验结果表明,KGARA算法优于其他最新的推荐方法,也证明了在推荐模型中本发明的有效性。
KGARA方法
1.1问题描述
基于知识图谱的推荐系统问题描述如下。令U={u1,u2,...}和V={v1,v2,v3...}分别表示用户集和物品集,u1表示表示用户1,u2表示用户2,u3表示用户3,v1表示物品1,v2表示物品2,v3表示物品3;用户物品交互矩阵Y={yuv|u∈U,v∈V}根据用户的隐式反馈定义。用户物品交互矩阵定义如下:
Figure BDA0002977641860000081
其中yuv表示标记用户u与物品v是否产生交互,产生交互记为1,未产生记为0;比如点击,观看,浏览。另外还需要准备一个包含大量<实体,关系,实体>三元组的知识图谱,其中物品,用户都属于实体。
在实际推荐场景中,物品通常也与知识图谱中的一个或者多个实体相连接。
因此,对于给定的用户物品交互矩阵和知识图谱,旨在预测用户u是否对从未交互的物品v感兴趣。目标是学习一个预测函数
Figure BDA0002977641860000082
其中
Figure BDA0002977641860000083
表示用户u点击物品v的概率,θ表示函数F(·)的参数。所述物品包括:电影作品、购物商品或者新闻、视频
1.2总体框架
KGARA模型的主要思想是通过设计一个关系感知模型来增强目标节点的表示。借助知识图谱,KGARA模型利用关系感知注意力机制指导不同类型邻居的路径选择并获取知识图谱中丰富的语义信息。另外,将图神经计算和迭代聚合作为有效的学习算法。
KGARA的整体架构如图1所示。首先,利用包含了图1的知识图三元组作为输入,并为其分配初始嵌入表示。随后,利用用户嵌入表示和关系嵌入表示的内积表示该种关系对用户的重要程度。将异构知识图谱转换为一个带权图以刻画用户偏好,还为目标节点挑选邻居目标节点并训练其领域嵌入表示。同时,将初始的实体嵌入表示喂进图神经网络训练并产生新的实体嵌入表示。随后聚合邻域嵌入表示和新的实体嵌入表示得到物品最终嵌入表示。最后将用户嵌入表示和物品最终嵌入表示的内积作为最终预测评分。
Figure BDA0002977641860000094
表示用户嵌入表示和关系嵌入表示的内积,这个内积包含在目标节点的领域表示里,最后聚合目标节点和其领域表示并与用户嵌入表示内积后生成一个概率值,通过缩小loss值训练反向传播更新参数。原有的知识图谱是无权图,引入了
Figure BDA0002977641860000095
后,可以将原有的知识图谱看作是带权图。
目标节点即物品,当计算用户点击某个物品的概率值,可以把某个物品看作是知识图谱中的目标节点。
1.3关系感知注意力和感受野
模型第一步是将异构知识图谱转换为一个带权图以刻画用户偏好。为此,引入一个面向用户的关系注意力得分函数
Figure BDA0002977641860000091
以提供用户u对关系r的重视程度即用户嵌入表示和关系嵌入表示的内积,如式(2)所示:
Figure BDA0002977641860000092
其中u和r分别表示用户u和关系r的特征向量,·T表示转置。原始知识图谱是一个无权图,其中的边仅仅表示一种关系,无法显示权重大小。引入关系注意力得分函数
Figure BDA0002977641860000093
后,原始知识图谱转换为一个带权图。
在真实场景下,带权图的规模通常非常大。为了缓解计算负担,引入一个感受野来确定目标节点数量。具体来说,为目标节点采样固定的邻居目标节点数量,其中邻居节点被选择的优先级由其注意力权重决定。目标节点v的邻域嵌入表示定义如下:
Figure BDA0002977641860000101
其中
Figure BDA0002977641860000102
为目标节点v的邻域嵌入,e表示实体e,N(v)表示被挑选的邻居集合,
Figure BDA0002977641860000103
表示用户关系得分正则化如式(4)所示:
Figure BDA0002977641860000104
其中
Figure BDA0002977641860000105
表示以自然底数为底
Figure BDA0002977641860000106
为指数的函数,
Figure BDA0002977641860000107
表示用户u对该种关系r的重视程度,e表示实体e,N(v)表示被挑选的邻居集合。
1.4图神经网络计算
将实体的原始特征矩阵表示为E,然后利用多层前馈传播层更新实体表示。具体来说,前馈传播表示如式(5)所示:
Figure BDA0002977641860000108
其中H0表示第0层中实体矩阵,H1表示第1层中实体矩阵,H2表示第2层中实体矩阵,H3表示第3层中实体矩阵,Hl-1表示第l-1层中实体矩阵,Hl表示第l层中实体矩阵;σ(·)表示非线性激活函数,Du表示Au的对角矩阵,Au表示带权图,l表示层数,W0表示第0层的权重参数,W1表示第1层的权重参数,W2表示第2层的权重参数,Wl-1表示第l-1层的权重参数。
经过l层计算,得到实体即物品表示Hl。为了使得信息在目标实体与其邻域传播更多有用信息。最后一步,聚合目标实体表示与其领域表示得到目标实体新的表示。其中,在KGARA模型中实施了三种类型的聚合器:
(1)GCN聚合器将目标实体表示与其邻域表示求和并经过非线性转换,如式(6)所示:
Figure BDA0002977641860000111
其中LeakyRelu(·)表示激活函数,Q和b分别表示权重矩阵和偏置,Hl表示第l层中实体矩阵,ev表示物品的最终嵌入特征向量,
Figure BDA0002977641860000112
表示目标节点v的邻域嵌入特征向量。
(2)GraphSage聚合器将目标实体表示和其领域表示串联起来,然后再经过一层非线性变换,如式(7)所示:
Figure BDA0002977641860000113
其中LeakyRelu(·)表示激活函数,Q和b分别表示权重矩阵和偏置,Hl表示第l层中实体矩阵,||表示串联,ev表示物品的最终嵌入特征向量,
Figure BDA0002977641860000114
表示目标节点v的邻域嵌入特征向量。
(3)Bi交互聚合器考虑了目标实体表示和其领域表示的两种特征交互,如式(8)所示:
Figure BDA0002977641860000115
其中LeakyRelu(·)表示激活函数,Hl表示第l层中实体矩阵,⊙表示点积,b1、b2的分别表示第一偏置、第二偏置;Q1、Q2分别表示第一权重矩阵、第二权重矩阵;ev表示物品的最终嵌入特征向量,
Figure BDA0002977641860000116
表示目标节点v的邻域嵌入特征向量。
通常,聚合的优势在于利用一阶连通性来关联用户,关系和实体表示。它可以将模型扩展到多个层次,从而以更广泛和更深入的方式探索用户的潜在兴趣。聚合深度为2的过程;邻域嵌入需要邻居节点的聚合,而这些邻居节点的嵌入又需要他们的邻居节点嵌入来聚合,所以聚合深度为2。
其中hV (1)、hV (2)、hN(v) (1)分别表示目标节点v的一阶嵌入,二阶嵌入和邻域一阶嵌入。
1.5模型训练
模型的最终预测评分是用户表示和物品的最终表示作内积得到的,如式(9)所示:
Figure BDA0002977641860000121
其中u表示用户u的嵌入特征向量,·T表示转置,
Figure BDA0002977641860000122
表示推荐生成的排名得分即用户点击该物品的概率,也称为预测函数,ev表示物品的最终嵌入特征向量。
推荐系统的最终目标是为用户推荐物品,认为用户永远处于模型的中心地位。因此,模型主要学习物品的嵌入表示。然后使用交叉熵损失来优化推荐预测损失。为了提高计算效率,在训练期间使用了负采样策略。完整的损失函数定义如式(10)所示:
Figure BDA0002977641860000123
其中训练集O={(u,i,j)|(u,i)∈R+,(u,j)∈R-},i表示与用户产生交互的物品,j表示未与用户产生交互的物品,u表示用户,R+表示用户与物品存在交互的集合,R-表示用户未与物品交互集合,σ(·)表示非线性激活函数,θ表示参数集,λ表示L2正则化参数,
Figure BDA0002977641860000124
表示范数的平方,
Figure BDA0002977641860000125
分别表示与用户产生交互的物品的概率,未与用户产生交互的物品的概率,(u,i)、(u,j)分别表示产生过交互的用户物品对,未产生交互的用户物品对。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种聚合知识图神经网络和自适应注意力的推荐方法,其特征在于,包括以下步骤:
S1,将用户,关系,实体的知识图三元组作为输入,并为其分配初始嵌入表示即用户嵌入表示、关系嵌入表示、实体嵌入表示;
S2,利用用户嵌入表示和关系嵌入表示的内积表示该种关系对用户的重要程度;将异构知识图谱转换为一个带权图,然后为目标节点挑选邻居目标节点并训练其领域嵌入表示;同时,将初始的实体嵌入表示喂进图神经网络训练并产生新的实体嵌入表示;随后聚合邻域嵌入表示和新的实体嵌入表示得到最终物品嵌入表示;
S3,将用户嵌入表示和最终物品嵌入表示的内积作为最终预测评分,并将最高得分所对应的物品推荐给用户。
2.根据权利要求1所述的一种聚合知识图神经网络和自适应注意力的推荐方法,其特征在于,所述带权图包括:关系感知注意力和感受野;
所述关系感知注意力包括:
引入一个面向用户的关系注意力得分函数
Figure FDA0002977641850000011
以提供用户u对关系r的重视程度,如式(2)所示:
Figure FDA0002977641850000012
其中u和r分别表示用户u和关系r的嵌入特征向量,·T表示转置;
所述感受野包括:
目标节点v的邻域嵌入表示定义如下:
Figure FDA0002977641850000013
其中
Figure FDA0002977641850000014
为目标节点v的邻域嵌入,e表示实体e,N(v)表示被挑选的邻居集合,
Figure FDA0002977641850000015
表示用户关系得分正则化,如式(4)所示:
Figure FDA0002977641850000021
其中
Figure FDA0002977641850000022
表示以自然底数为底
Figure FDA0002977641850000023
为指数的函数,
Figure FDA0002977641850000024
表示用户u对该种关系r的重视程度,e表示实体e,N(v)表示被挑选的邻居集合。
3.根据权利要求1所述的一种聚合知识图神经网络和自适应注意力的推荐方法,其特征在于,所述图神经网络训练包括:
前馈传播:
Figure FDA0002977641850000025
其中H0表示第0层中实体矩阵,H1表示第1层中实体矩阵,H2表示第2层中实体矩阵,H3表示第3层中实体矩阵,Hl-1表示第l-1层中实体矩阵,Hl表示第l层中实体矩阵;σ(·)表示非线性激活函数,Du表示Au的对角矩阵,Au表示带权图,l表示层数,W0表示第0层的权重参数,W1表示第1层的权重参数,W2表示第2层的权重参数,Wl-1表示第l-1层的权重参数。
4.根据权利要求1所述的一种聚合知识图神经网络和自适应注意力的推荐方法,其特征在于,所述聚合包括:
三种类型的聚合器:GCN聚合器,GraphSage聚合器,Bi交互聚合器;
所述GCN聚合器包括:将目标实体表示与其邻域表示求和并经过非线性转换,如式(6)所示:
Figure FDA0002977641850000026
其中LeakyRelu(·)表示激活函数,Q和b分别表示权重矩阵和偏置,Hl表示第l层中实体矩阵,ev表示物品的最终嵌入特征向量,
Figure FDA0002977641850000027
表示目标节点v的邻域嵌入特征向量;
所述GraphSage聚合器包括:
将目标实体表示和其领域表示串联起来,然后再经过一层非线性变换,如式(7)所示:
Figure FDA0002977641850000031
其中LeakyRelu(·)表示激活函数,Q和b分别表示权重矩阵和偏置,Hl表示第l层中实体矩阵,||表示串联,ev表示物品的最终嵌入特征向量,
Figure FDA0002977641850000032
表示目标节点v的邻域嵌入特征向量;
所述Bi交互聚合器包括:
考虑了目标实体表示和其领域表示的两种特征交互,如式(8)所示:
Figure FDA0002977641850000033
其中LeakyRelu(·)表示激活函数,Hl表示第l层中实体矩阵,⊙表示点积,b1、b2的分别表示第一偏置、第二偏置;Q1、Q2分别表示第一权重矩阵、第二权重矩阵;ev表示物品的最终嵌入特征向量,
Figure FDA0002977641850000034
表示目标节点v的邻域嵌入特征向量。
5.根据权利要求1所述的一种聚合知识图神经网络和自适应注意力的推荐方法,其特征在于,所述最终预测评分是用户表示和物品的最终表示作内积得到的,如式(9)所示:
Figure FDA0002977641850000035
其中u表示用户u的嵌入特征向量,·T表示转置,
Figure FDA0002977641850000036
表示推荐生成的排名得分即预测函数,ev表示物品的最终嵌入特征向量。
6.根据权利要求1所述的一种聚合知识图神经网络和自适应注意力的推荐方法,其特征在于,包括:
损失函数定义如式(10)所示:
Figure FDA0002977641850000037
其中O为训练集,i表示与用户产生交互的物品,j表示未与用户产生交互的物品,u表示用户,σ(·)表示非线性激活函数,λ表示L2正则化参数,θ表示参数集,
Figure FDA0002977641850000041
表示范数的平方,
Figure FDA0002977641850000042
分别表示与用户产生交互的物品的概率,未与用户产生交互的物品的概率。
7.根据权利要求1~6的任一项所述的一种聚合知识图神经网络和自适应注意力的推荐方法,其特征在于,包括:
令U={u1,u2,u3...}和V={v1,v2,v3...}分别表示用户集和物品集,u1表示表示用户1,u2表示用户2,u3表示用户3,v1表示物品1,v2表示物品2,v3表示物品3;用户物品交互矩阵Y={yuv|u∈U,v∈V}根据用户的隐式反馈定义,用户物品交互矩阵定义如下:
Figure FDA0002977641850000043
其中yuv表示标记用户u与物品v是否产生交互,产生交互记为1,未产生记为0。
CN202110279670.1A 2021-03-16 2021-03-16 一种聚合知识图神经网络和自适应注意力的推荐方法 Active CN112989064B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110279670.1A CN112989064B (zh) 2021-03-16 2021-03-16 一种聚合知识图神经网络和自适应注意力的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110279670.1A CN112989064B (zh) 2021-03-16 2021-03-16 一种聚合知识图神经网络和自适应注意力的推荐方法

Publications (2)

Publication Number Publication Date
CN112989064A true CN112989064A (zh) 2021-06-18
CN112989064B CN112989064B (zh) 2022-07-08

Family

ID=76336085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110279670.1A Active CN112989064B (zh) 2021-03-16 2021-03-16 一种聚合知识图神经网络和自适应注意力的推荐方法

Country Status (1)

Country Link
CN (1) CN112989064B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113342994A (zh) * 2021-07-05 2021-09-03 成都信息工程大学 一种基于无采样协作知识图网络的推荐系统
CN113434692A (zh) * 2021-06-22 2021-09-24 上海交通大学医学院附属仁济医院 图神经网络模型构建、诊疗方案推荐方法、系统及设备
CN113449884A (zh) * 2021-06-29 2021-09-28 浙江工业大学 一种基于深度神经网络的演艺装备智能运维推荐技术
CN113468227A (zh) * 2021-06-25 2021-10-01 北京达佳互联信息技术有限公司 基于图神经网络的信息推荐方法、系统、设备和存储介质
CN113570058A (zh) * 2021-09-22 2021-10-29 航天宏康智能科技(北京)有限公司 推荐方法和装置
CN113961816A (zh) * 2021-11-26 2022-01-21 重庆理工大学 一种基于结构增强的图卷积神经网络会话推荐方法
CN114637923A (zh) * 2022-05-19 2022-06-17 之江实验室 基于层次注意力图神经网络的数据信息推荐方法和装置
CN114756694A (zh) * 2022-06-16 2022-07-15 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于知识图谱的推荐系统、推荐方法和相关设备
CN114780867A (zh) * 2022-05-10 2022-07-22 杭州网易云音乐科技有限公司 推荐方法、介质、装置和计算设备
CN114912033A (zh) * 2022-05-16 2022-08-16 重庆大学 一种基于知识图谱的推荐流行度偏差自适应缓解方法
CN116756232A (zh) * 2023-08-17 2023-09-15 杭州比智科技有限公司 一种智能生成动态网络图的数据可视化方法及系统
CN117171449A (zh) * 2023-09-21 2023-12-05 西南石油大学 一种基于图神经网络的推荐方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108153912A (zh) * 2018-01-24 2018-06-12 北京理工大学 一种基于知识表示学习的协同矩阵分解方法
CN110704640A (zh) * 2019-09-30 2020-01-17 北京邮电大学 一种知识图谱的表示学习方法及装置
CN110826700A (zh) * 2019-11-13 2020-02-21 中国科学技术大学 建模邻居交互的双线性图神经网络模型的实现及分类方法
US20200134034A1 (en) * 2018-10-30 2020-04-30 International Business Machines Corporation Recommendation systems implementing separated attention on like and dislike items for personalized ranking
CN111539786A (zh) * 2020-04-15 2020-08-14 清华大学 条件注意力网络及其在个性化推荐中的应用方法及装置
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
CN112084428A (zh) * 2020-09-17 2020-12-15 辽宁工程技术大学 一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法
CN112232925A (zh) * 2020-11-02 2021-01-15 哈尔滨工程大学 一种融合知识图谱对商品进行个性化推荐的方法
CN112328893A (zh) * 2020-11-25 2021-02-05 重庆理工大学 一种基于记忆网络和协同注意力的推荐方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108153912A (zh) * 2018-01-24 2018-06-12 北京理工大学 一种基于知识表示学习的协同矩阵分解方法
US20200134034A1 (en) * 2018-10-30 2020-04-30 International Business Machines Corporation Recommendation systems implementing separated attention on like and dislike items for personalized ranking
CN110704640A (zh) * 2019-09-30 2020-01-17 北京邮电大学 一种知识图谱的表示学习方法及装置
CN110826700A (zh) * 2019-11-13 2020-02-21 中国科学技术大学 建模邻居交互的双线性图神经网络模型的实现及分类方法
CN111539786A (zh) * 2020-04-15 2020-08-14 清华大学 条件注意力网络及其在个性化推荐中的应用方法及装置
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
CN112084428A (zh) * 2020-09-17 2020-12-15 辽宁工程技术大学 一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法
CN112232925A (zh) * 2020-11-02 2021-01-15 哈尔滨工程大学 一种融合知识图谱对商品进行个性化推荐的方法
CN112328893A (zh) * 2020-11-25 2021-02-05 重庆理工大学 一种基于记忆网络和协同注意力的推荐方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIAN KE等: "Hybrid Collaborative Filtering with Attention CNN forWeb Service Recommendation", 《网页在线公开:HTTPS://IEEEXPLORE.IEEE.ORG/STAMP/STAMP.JSP?TP=&ARNUMBER=9270228》 *
唐浩等: "基于协同知识图谱特征学习的论文推荐方法", 《计算机工程》 *
基于用户评论的深度情感分析和多视图协同融合的混合推荐方法: "张宜浩等", 《计算机学报》 *
孟鹏博: "基于图神经网络的实体对齐研究综述", 《现代计算机》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113434692B (zh) * 2021-06-22 2023-08-01 上海交通大学医学院附属仁济医院 图神经网络模型构建、诊疗方案推荐方法、系统及设备
CN113434692A (zh) * 2021-06-22 2021-09-24 上海交通大学医学院附属仁济医院 图神经网络模型构建、诊疗方案推荐方法、系统及设备
CN113468227A (zh) * 2021-06-25 2021-10-01 北京达佳互联信息技术有限公司 基于图神经网络的信息推荐方法、系统、设备和存储介质
CN113468227B (zh) * 2021-06-25 2024-05-24 北京达佳互联信息技术有限公司 基于图神经网络的信息推荐方法、系统、设备和存储介质
CN113449884A (zh) * 2021-06-29 2021-09-28 浙江工业大学 一种基于深度神经网络的演艺装备智能运维推荐技术
CN113342994B (zh) * 2021-07-05 2022-07-05 成都信息工程大学 一种基于无采样协作知识图网络的推荐系统
CN113342994A (zh) * 2021-07-05 2021-09-03 成都信息工程大学 一种基于无采样协作知识图网络的推荐系统
CN113570058A (zh) * 2021-09-22 2021-10-29 航天宏康智能科技(北京)有限公司 推荐方法和装置
CN113961816A (zh) * 2021-11-26 2022-01-21 重庆理工大学 一种基于结构增强的图卷积神经网络会话推荐方法
CN114780867B (zh) * 2022-05-10 2023-11-03 杭州网易云音乐科技有限公司 推荐方法、介质、装置和计算设备
CN114780867A (zh) * 2022-05-10 2022-07-22 杭州网易云音乐科技有限公司 推荐方法、介质、装置和计算设备
CN114912033A (zh) * 2022-05-16 2022-08-16 重庆大学 一种基于知识图谱的推荐流行度偏差自适应缓解方法
CN114912033B (zh) * 2022-05-16 2023-04-21 重庆大学 一种基于知识图谱的推荐流行度偏差自适应缓解方法
CN114637923A (zh) * 2022-05-19 2022-06-17 之江实验室 基于层次注意力图神经网络的数据信息推荐方法和装置
CN114756694B (zh) * 2022-06-16 2022-10-14 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于知识图谱的推荐系统、推荐方法和相关设备
CN114756694A (zh) * 2022-06-16 2022-07-15 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于知识图谱的推荐系统、推荐方法和相关设备
CN116756232A (zh) * 2023-08-17 2023-09-15 杭州比智科技有限公司 一种智能生成动态网络图的数据可视化方法及系统
CN116756232B (zh) * 2023-08-17 2023-11-24 杭州比智科技有限公司 一种智能生成动态网络图的数据可视化方法及系统
CN117171449A (zh) * 2023-09-21 2023-12-05 西南石油大学 一种基于图神经网络的推荐方法
CN117171449B (zh) * 2023-09-21 2024-03-19 西南石油大学 一种基于图神经网络的推荐方法

Also Published As

Publication number Publication date
CN112989064B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN112989064B (zh) 一种聚合知识图神经网络和自适应注意力的推荐方法
CN109299396B (zh) 融合注意力模型的卷积神经网络协同过滤推荐方法及系统
CN110413844B (zh) 基于时空注意力深度模型的动态链路预测方法
Li et al. Learning binary codes with neural collaborative filtering for efficient recommendation systems
CN112232925A (zh) 一种融合知识图谱对商品进行个性化推荐的方法
CN112035746A (zh) 一种基于时空序列图卷积网络的会话推荐方法
CN113095439A (zh) 基于注意力机制的异构图嵌入学习方法
CN112613602A (zh) 基于知识感知超图神经网络的推荐方法及系统
CN113918832B (zh) 基于社交关系的图卷积协同过滤推荐系统
Chen et al. Graph neural transport networks with non-local attentions for recommender systems
CN112364976A (zh) 基于会话推荐系统的用户偏好预测方法
CN113918833B (zh) 通过社交网络关系的图卷积协同过滤实现的产品推荐方法
Navgaran et al. Evolutionary based matrix factorization method for collaborative filtering systems
CN113918834B (zh) 融合社交关系的图卷积协同过滤推荐方法
Wang et al. A new approach for advertising CTR prediction based on deep neural network via attention mechanism
CN115114542A (zh) 一种对象推荐方法、系统、训练方法、介质及计算机设备
Yang et al. Click-through rate prediction using transfer learning with fine-tuned parameters
Wang et al. TDR: Two-stage deep recommendation model based on mSDA and DNN
Zhang et al. Inferring latent network from cascade data for dynamic social recommendation
CN113590976A (zh) 一种空间自适应图卷积网络的推荐方法
CN113342994A (zh) 一种基于无采样协作知识图网络的推荐系统
Chen et al. Integrating dual user network embedding with matrix factorization for social recommender systems
Li et al. Capsule neural tensor networks with multi-aspect information for Few-shot Knowledge Graph Completion
Thirunavukarasu et al. People to people recommendation using coupled nonnegative boolean matrix factorization
CN114842247B (zh) 基于特征累加的图卷积网络半监督节点分类方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231211

Address after: 430000, No. 128 Guanggu Avenue, Canglong Island, Economic Development Zone, Jiangxia District, Wuhan City, Hubei Province

Patentee after: Wuhan Baijie Zhichuang Digital Media Group Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20231211

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: No.69 Hongguang Avenue, Banan District, Chongqing

Patentee before: Chongqing University of Technology