CN112989176A - 一种信息推荐方法及装置 - Google Patents
一种信息推荐方法及装置 Download PDFInfo
- Publication number
- CN112989176A CN112989176A CN201911275360.1A CN201911275360A CN112989176A CN 112989176 A CN112989176 A CN 112989176A CN 201911275360 A CN201911275360 A CN 201911275360A CN 112989176 A CN112989176 A CN 112989176A
- Authority
- CN
- China
- Prior art keywords
- entity
- information recommendation
- entities
- relationship
- relation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 42
- 239000013256 coordination polymer Substances 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明的实施例公开一种信息推荐方法及装置,涉及计算机技术领域。有效的解决了现有技术无法挖掘出用户与商品间潜在的关系,导致为用户推荐商品的准确度较低的问题。该方法包括:信息推荐装置在获取到的预设的知识图谱中实体间的关系向量采用三阶张量的形式表示后;对该三阶张量进行经典多元CP分解以确定出缺失值。之后,信息推荐装置根据缺失值和关系向量确定目标用户的推荐信息,并输出该推荐信息。本发明实施例应用于网络系统。
Description
技术领域
本发明的实施例涉及计算机技术领域,尤其涉及一种信息推荐方法及装置。
背景技术
随着移动互联网时代的到来,电子商务呈现爆发式的增长,商品数据量越来越庞大,用户需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和商品的过程无疑会使消费者不断流失。为了解决这些问题,各大电商网站纷纷开展推荐系统的建设。但是,无论是以用户为基础的协同过滤算法,还是以商品为基础的协同过滤算法,他们都面临着共同的难题:数据稀疏性。
简单填值法是目前常见的解决稀疏性问题的方法,即用一个固定的数值填充实体间未评分过的项目。但是,采用统一的数值对实体间的缺失值进行填充,没有考虑到用户的兴趣差异,无法挖掘出用户与商品间潜在的关系,这样,为用户推荐商品的准确度较低。
发明内容
本发明提供一种信息推荐方法及装置,有效的解决了现有技术无法挖掘出用户与商品间潜在的关系,导致为用户推荐商品的准确度较低的问题。
为达到上述目的,本发明采用如下技术方案:
第一方面,提供一种信息推荐方法,信息推荐装置在获取到的预设的知识图谱中实体间的关系向量采用三阶张量的形式表示后;对该三阶张量进行CP分解(canonicalpolyadic decomposition),以确定出缺失值。之后,信息推荐装置根据缺失值和关系向量确定目标用户的推荐信息,并输出该推荐信息。
在上述方法中,由于考虑到用户的兴趣差异,通过从电商知识图谱中获取已知的电商的实体间的关系,结合CP分解算法来挖掘出实体间缺失的关系,从而挖掘出用户与商品间潜在的关系,以便确定用户潜在的兴趣喜好,在为用户推荐商品等信息时更加贴合用户的需求。
第二方面,提供一种信息推荐装置,该信息推荐装置包括:获取单元,用于获取电商知识图谱中实体间的关系向量;处理单元,用于将获取单元获取的关系向量填充至三阶张量;其中三阶张量中包含有缺失值;缺失值用于表示实体间关系的缺失;处理单元,还用于对三阶张量进行CP分解获取缺失值,并根据缺失值确定实体间缺失的关系。
可以理解地,上述提供的信息推荐装置用于执行上文所提供的第一方面对应的方法,因此,其所能达到的有益效果可参考上文第一方面对应的方法以及下文具体实施方式中对应的方案的有益效果,此处不再赘述。
第三方面,提供了一种信息推荐装置,该信息推荐装置的结构中包括处理器,处理器用于执行程序指令,使得该信息推荐装置执行第一方面的方法。
第四方面,提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序代码,当计算机程序代码在信息推荐装置上运行时,使得该信息推荐装置执行上述第一方面的方法。
第五方面,提供一种计算机程序产品,该计算机程序产品储存有上述计算机软件指令,当计算机软件指令在信息推荐装置上运行时,使得该信息推荐装置执行如上述第一方面的方法的程序。
附图说明
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、完整地描述,显然,所描述的实施例仅仅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。
图1为本发明实施例提供的一种信息推荐方法的流程示意图;
图2为本发明实施例提供的一种电商知识图谱的搭建流程示意图;
图3为本发明实施例提供的一种电商知识图谱中实体-关系-实体的结构示意图;
图4为本发明实施例提供的一种电商知识图谱的三阶张量结构示意图;
图5为本发明实施例提供的一种CP分解示意图;
图6为本发明的实施例提供的一种信息推荐装置的结构示意图;
图7为本发明的实施例提供的又一种信息推荐装置的结构示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
需要说明的是,本发明实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
还需要说明的是,本发明实施例中,“的(英文:of)”,“相应的(英文:corresponding,relevant)”和“对应的(英文:corresponding)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是一致的。
数据稀疏性是指,在数据集中绝大多数数值缺失或者为零的数据。随着互联网的飞速发展,电商系统的规模越来越大,商品数量也越来越庞大,动辄百万千万,这种场景下两个用户之间选择商品的重叠非常少。因此,如果以用户和商品之间已经存在的关系在所有可能存在的关系中的占比来衡量系统的稀疏性,电商系统的稀疏度应该在万分之一或以下的量级。如此稀疏的数据严重限制了推荐系统的效果,成为了各大电商平台亟待解决的问题。
简单填值法是目前常见的解决稀疏性问题的方法,即用一个固定的数值填充实体间未评分过的项目来体现他们之间的关系。该方法虽然在一定程度上可以缓解数据稀疏性的问题,但采用统一的数值对实体间的缺失值进行填充,没有考虑到用户的兴趣差异,导致无法挖掘出用户与商品间潜在的关系。
基于上述技术背景以及现有技术中存在的问题,本发明实施例提供一种信息推荐方法,其技术原理在于:将电商知识图谱与CP分解算法进行结合,通过构建电商知识图谱将用户、商品、店铺、品牌、品类等电商场景中的关键实体信息进行融合;通过知识图谱首先获取已知的电商的实体间的关系,再利用CP分解算法根据已知的关系来挖掘出实体间缺失的关系。参照图1,本发明实施例下面的描述以基于信息推荐装置进行说明。
该方法包括:
S101、信息推荐装置获取预设的知识图谱中实体间的关系向量。
其中,关系向量用于表示不同实体之间的关系。
示例性的,实体间的关系可以是用户与商品之间的浏览、购买、收藏等关系类型。
在一种实现方式中,信息推荐装置首先获取预设的知识图谱中的实体集以及关系集;其中,实体集包括知识图谱中的所有实体,关系集包括知识图谱中不同实体间的关系;之后,根据实体集以及关系集,生成关系向量。
进一步的,信息推荐装置对于实体集中的每个实体而言,均执行下述操作,以生成关系向量:信息推荐装置根据实体集和关系集,确定邻接实体后;根据预设规则,对该实体与邻接实体之间的关系采用向量表示,以得到该实体与邻接实体之间的关系向量,其中邻接实体为与该实体存在关系的实体。
示例性的,预设规则实际就是对实体间的关系提前进行相应的数值设定。例如,当用户购买了一部手机,那么实体就是用户和手机,而用户与手机之间存在购买关系,那么,可以将购买关系设定为一个数值;当用户浏览了某个手机,同理,可以将浏览关系设定与上述购买关系对应的数值不同的另一个数值。
当预设知识图谱为电商知识图谱时,参照图2,本发明实施例提供一种电商知识图谱的搭建流程示意图。其中,知识图谱是用节点和边的方式建模事物和联系的网状知识结构。实体、属性和关系是构成图谱的三要素,知识图谱由实体-关系-实体三元组或者(和)实体-属性-属性值三元组组成。构建电商知识图谱的过程就是将电商平台产生的业务数据进行知识抽取、知识融合的过程。
电商知识图谱与商品分类目录一样是N叉树的形态,树由一级一级的分类节点组成,末梢的叶子节点是商品实例。电商知识图谱的搭建流程具体包括如下步骤S201-S203。
S201、信息推荐装置完成实体构建。
即提取商品词完成概念定义,如这里可以采用商品的三级类目,可以是商品分类、品牌以及专区等。
示例性的,电商知识图谱核心概念有商品、店铺、用户、品牌、采购场景,其中由于不同类目下的商品的属性项差异较大,因此需要对商品概念进一步细分。当采用商品的三级分类作为商品的子概念,自动化建模的取数逻辑如下表1所示。
表1
S202、信息推荐装置进行实体的属性定义和关系定义。
如提取商品标签,可以包括颜色、尺寸、适用人群、应用场景等。在上述表1对概念确定之后,需要为每个概念定义属性信息(即完成实体属性抽取),属性包括数值属性和对象属性两种。数值属性用于描述概念下不同实体的基本特征,如:店铺属性包括开店时间、经营范围、公司地址等;用户属性包括性别、年龄段、收货地址等;商品属性包括颜色、型号、材质等。对象属性用于描述不同实体之间的关系,如:商品与店铺之间的经营关系、商品与采购场景之间的关系、商品与品牌之间的所属关系,商品与用户之间的采购关系。
S203、信息推荐装置进行知识获取,完成电商知识图谱的搭建。
知识获取是将业务系统数据库中的数据映射到RDF数据模型中,以三元组的形式进行存储,如实体-属性-属性值、实体-关系-实体;如实体-关系-实体即是将实体以及实体间的关系进行存储完成电商知识图谱的搭建)。电商知识图谱其中一种存储方式如表2所示的实体-属性-属性值。
表2
如图3所示,本发明实施例示例性的提供了一种电商知识图谱中实体-关系-实体的结构示意图。图3中示出的实体包括:用户(user1、user2、user3、user4)、商品(手机(A)、电脑(B)、书本(C)、杯子(D))以及其他实体(某专卖店(店铺f1)、某品牌(品牌f2)、办公设备(品类f3)、厨房用品(品类f3)、某集团(供应商f4))。user1购买过手机;user2购买过手机,浏览过电脑和书本;user3购买过书本,浏览过杯子;user4购买过手机,浏览过电脑和书本。手机属于某品牌、某集团、办公设备,从某专卖店售出;电脑属于办公设备、某集团,从某专卖店售出;书本属于办公设备;杯子属于厨房用品。需要说明的是,对用户与商品的实体间的关系不限于购买和浏览,还可以包括收藏、关注等关系。
S102、信息推荐装置将关系向量采用三阶张量的形式表示。
其中,三阶张量中包含有缺失值;缺失值用于表示实体间关系的缺失。
参照图4,示例性的提供了一种电商知识图谱的三阶张量结构示意图;依据图3中实体间的关系生成三阶张量;其中三阶张量的三个轴分别用于表示用户、商品以及其他实体。在电商知识图谱中以每个实体为核心节点,查找该实体的邻接节点,并跟实体间关系类型为矩阵赋予不同的值。将用户与商品的实体间的购买关系赋值为w1;浏览关系赋值为w2。如图4中user1与商品A之间为购买关系赋值为w1;user4与商品B之间为浏览关系赋值为w2。可用0或空白或预设的任意值来表示实体间关系的缺失。如图4所示,当用户与商品的实体间缺失关系时,用0来表示。需要说明的是,图4仅示出了根据电商知识图谱生成的三阶张量的结构图,在某种情况下若需要四阶张量,如需要在图4的基础上将店铺单独作为一个分析对象时,就需要生成四阶张量,五阶张量、六阶张量等的生成方式如上,不再赘述。
S103、信息推荐装置对三阶张量进行CP分解,确定出缺失值;
其中,缺失值为预设的知识图谱中缺失的实体之间的关系。
在一种可能的实现方式中,信息推荐装置确定三阶张量中每两个维度组成的矩阵,每个矩阵中列秩均等于三阶张量的秩;信息推荐装置采用交替最小二乘法对每个矩阵进行处理,得到处理后的矩阵;并根据处理后的矩阵,确定缺失值。
需要说明的是,对缺失值进行处理,使用CP分解法。如图5所示,为CP分解示意图。首先假设张量的秩为R,那么就可以把张量分解成R个秩一1张量的和。利用该原理,对于一个三阶张量,CP分解可以写成向量和形式:
其中,A=(a1,a2,···,ar),B=(b1,b2,···,br),C=(c1,c2,···,cr),r∈(1,R)。
另外,三阶张量的秩的确定方式有两种,一种是从1开始尝试直到碰到一个比较好的结果为止;另一种是根据先验信息预先指定。
示例性的,当确定了秩的大小时,确定三阶张量中每两个维度组成的矩阵A、B、C中包含的数据为各自所属的三阶矩阵X的两个维度中内包含的某R列数据;以矩阵A为例,矩阵A内包含的数值应为矩阵A所属的三阶矩阵对应维度的任意R列数据,此处对该R列数据是否连续不作限定。矩阵B和矩阵C同理,不再赘述。
实际上,CP分解实质是使得原始张量和分解模型的误差尽可能的小,即一个最优化问题。如将矩阵A看作由a1~ar共R个列向量构成的矩阵,同理看待矩阵B和C,这种锁定某个矩阵外的所有矩阵的方法,即为一个线性最小二乘问题。同时引入三阶张量X与矩阵A、B、C之间的性质关系。具体如下:
X(1)≈A(C⊙B)T
X(2)≈B(C⊙A)T
X(3)≈C(A⊙B)T
根据上述性质关系,使用交替最小二乘法计算;根据三阶张量中每两个维度组成的矩阵A、B、C依据上述对应关系转换为如下方法计算。
A·diag(λA)=X(1)(C⊙B)T(CTC*BTB)+ 式(1)
B·diag(λB)=X(2)(C⊙A)T(CTC*ATA)+ 式(2)
C·diag(λC)=X(3)(A⊙B)T(ATA*BTB)+ 式(3)
需要说明的是,首先利用矩阵B和C带入式(1),通过归一化计算A和λA;再将矩阵C和计算后A带入式(2)通过归一化计算B和λB;最后,将计算后的A与B带入式(3)通过归一化计算C和λC;以此类推。重复上述式(1)至式(3),直至下述公式(4)收敛,即可生成处理后的矩阵A、B、C。
S104、信息推荐装置根据缺失值和关系向量,确定目标用户的推荐信息。
S105、信息推荐装置输出推荐信息。
本发明实施例可以根据上述方法实施例对信息推荐装置进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
如图6所示,为本发明实施例提供的一种信息推荐装置60的结构示意图;
获取单元601,用于获取预设的知识图谱中实体间的关系向量,关系向量用于表示不同实体之间的关系。
处理单元602,用于将获取单元601获取的关系向量采用三阶张量的形式表示。
处理单元602,还用于对三阶张量进行CP分解,确定出缺失值,缺失值为预设的知识图谱中缺失的实体之间的关系。
处理单元602,还用于根据缺失值和关系向量,确定目标用户的推荐信息。
处理单元602,还用于输出推荐信息。
在一种示例性的方案中,获取预设的知识图谱中的实体集以及关系集;其中,实体集包括知识图谱中的所有实体,关系集包括知识图谱中不同实体间的关系。
根据实体集以及关系集,生成关系向量。
在一种示例性的方案中,对于实体集中的每个实体而言,均执行下述操作,以生成关系向量:
处理单元602,具体用于根据实体集和关系集,确定邻接实体,邻接实体为与该实体存在关系的实体。
处理单元602,还用于根据预设规则,对该实体与邻接实体之间的关系采用向量表示,以得到该实体与邻接实体之间的关系向量。
在一种示例性的方案中,处理单元602,具体用于确定三阶张量中每两个维度组成的矩阵,每个矩阵中列秩均等于三阶张量的秩。
处理单元602,还用于采用交替最小二乘法对每个矩阵进行处理,得到处理后的矩阵。
处理单元602,还用于根据处理后的矩阵,确定缺失值。
其中,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,其作用在此不再赘述。
当然,本发明实施例提供的信息推荐装置60包括但不限于上述模块,例如信息推荐装置60还可以包括存储单元603。存储单元603可以用于存储该信息推荐装置60的程序代码,还可以用于存储信息推荐装置60在运行过程中生成的数据,如写请求中的数据等。
图7为本发明实施例提供的一种信息推荐装置60的结构示意图,如图7所示,该信息推荐装置60可以包括:至少一个处理器71、存储器72、通信接口73和通信总线74。
作为一个示例,结合图7,信息推荐装置60中的获取单元601实现的功能与图7中的通信接口73的功能相同,处理单元602实现的功能与图7中的处理器71的功能相同,存储单元603实现的功能与图7中的存储器72的功能相同。
下面结合图7对信息推荐装置60的各个构成部件进行具体的介绍:
其中,处理器71是信息推荐装置60的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器71是一个中央处理器(Central Processing Unit,CPU),也可以是特定集成电路(Application Specific Integrated Circuit,ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路,例如:一个或多个DSP,或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)。
在具体的实现中,作为一种实施例,处理器71可以包括一个或多个CPU,例如图7中所示的CPU0和CPU1。且,作为一种实施例,信息推荐装置60可以包括多个处理器,例如图7中所示的处理器71和处理器75。这些处理器中的每一个可以是一个单核处理器(Single-CPU),也可以是一个多核处理器(Multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器72可以是只读存储器(Read-Only Memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(Random Access Memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器72可以是独立存在,通过通信总线74与处理器71相连接。存储器72也可以和处理器71集成在一起。
在具体的实现中,存储器72,用于存储本发明中的数据和执行本发明的软件程序。处理器71可以通过运行或执行存储在存储器72内的软件程序,以及调用存储在存储器72内的数据,执行信息推荐装置60的各种功能。
通信接口73,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如无线接入网(Radio Access Network,RAN),无线局域网(Wireless Local Area Networks,WLAN)、终端、云端等。通信接口73可以包括接收单元实现接收功能,以及发送单元实现发送功能。
通信总线74,可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (11)
1.一种信息推荐方法,其特征在于,包括:
获取预设的知识图谱中实体间的关系向量,所述关系向量用于表示不同实体之间的关系;
将所述关系向量采用三阶张量的形式表示;
对所述三阶张量进行经典多元CP分解,确定出缺失值,所述缺失值为所述预设的知识图谱中缺失的实体之间的关系;
根据所述缺失值和所述关系向量,确定目标用户的推荐信息;
输出所述推荐信息。
2.根据权利要求1所述的信息推荐方法,其特征在于,所述获取预设的电商知识图谱中实体间的关系向量,具体包括:
获取所述预设的知识图谱中的实体集以及关系集;其中,所述实体集包括所述知识图谱中的所有实体,所述关系集包括所述知识图谱中不同实体间的关系;
根据所述实体集以及所述关系集,生成所述关系向量。
3.根据权利要求2所述的信息推荐方法,其特征在于,所述根据所述实体集以及所述关系集,生成所述关系向量,具体包括:
对于所述实体集中的每个实体而言,均执行下述操作,以生成所述关系向量:
根据所述实体集和所述关系集,确定邻接实体,所述邻接实体为与该实体存在关系的实体;
根据预设规则,对该实体与所述邻接实体之间的关系采用向量表示,以得到该实体与所述邻接实体之间的关系向量。
4.根据权利要求1所述的信息推荐方法,其特征在于,所述对所述三阶张量进行CP分解获取缺失值,具体包括:
确定所述三阶张量中每两个维度组成的矩阵,每个矩阵中列秩均等于所述三阶张量的秩;
采用交替最小二乘法对所述每个矩阵进行处理,得到处理后的矩阵;
根据所述处理后的矩阵,确定所述缺失值。
5.一种信息推荐装置,其特征在于,包括:
获取单元,用于获取预设的知识图谱中实体间的关系向量,所述关系向量用于表示不同实体之间的关系;
处理单元,用于将所述获取单元获取的所述关系向量采用三阶张量的形式表示;
所述处理单元,还用于对所述三阶张量进行CP分解,确定出缺失值,所述缺失值为所述预设的知识图谱中缺失的实体之间的关系;
所述处理单元,还用于根据所述缺失值和所述关系向量,确定目标用户的推荐信息;
所述处理单元,还用于输出所述推荐信息。
6.根据权利要求5所述的信息推荐装置,其特征在于,具体包括:
获取所述预设的知识图谱中的实体集以及关系集;其中,所述实体集包括所述知识图谱中的所有实体,所述关系集包括所述知识图谱中不同实体间的关系;
根据所述实体集以及所述关系集,生成所述关系向量。
7.根据权利要求6所述的信息推荐装置,其特征在于,具体包括:
对于所述实体集中的每个实体而言,均执行下述操作,以生成所述关系向量:
所述处理单元,具体用于根据所述实体集和所述关系集,确定邻接实体,所述邻接实体为与该实体存在关系的实体;
所述处理单元,还用于根据预设规则,对该实体与所述邻接实体之间的关系采用向量表示,以得到该实体与所述邻接实体之间的关系向量。
8.根据权利要求5所述的信息推荐装置,其特征在于,包括:
所述处理单元,具体用于确定所述三阶张量中每两个维度组成的矩阵,每个矩阵中列秩均等于所述三阶张量的秩;
所述处理单元,还用于采用交替最小二乘法对所述每个矩阵进行处理,得到处理后的矩阵;
所述处理单元,还用于根据所述处理后的矩阵,确定所述缺失值。
9.一种信息推荐装置,其特征在于,所述信息推荐装置的结构中包括处理器,所述处理器用于执行程序指令,使得所述信息推荐装置执行如权利要求1-4任一项所述的信息推荐方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序代码,当所述计算机程序代码在信息推荐装置上运行时,使得所述信息推荐装置执行如权利要求1-4任一项所述的信息推荐方法。
11.一种计算机程序产品,其特征在于,所述计算机程序产品储存有计算机软件指令,当所述计算机软件指令在信息推荐装置上运行时,使得所述信息推荐装置执行如权利要求1-4任一项所述的信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911275360.1A CN112989176A (zh) | 2019-12-12 | 2019-12-12 | 一种信息推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911275360.1A CN112989176A (zh) | 2019-12-12 | 2019-12-12 | 一种信息推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112989176A true CN112989176A (zh) | 2021-06-18 |
Family
ID=76331587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911275360.1A Pending CN112989176A (zh) | 2019-12-12 | 2019-12-12 | 一种信息推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989176A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439197A (zh) * | 2022-11-09 | 2022-12-06 | 广州科拓科技有限公司 | 基于知识图谱深度学习的电子商务推荐方法及系统 |
CN115587875A (zh) * | 2022-11-10 | 2023-01-10 | 广州科拓科技有限公司 | 基于均衡感知注意力网络的纺织品电商推荐方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014021797A (ja) * | 2012-07-19 | 2014-02-03 | Nippon Telegr & Teleph Corp <Ntt> | 欠損値予測装置及び商品推薦装置及び方法及びプログラム |
JP2014096118A (ja) * | 2012-11-12 | 2014-05-22 | Nippon Telegr & Teleph Corp <Ntt> | 欠損値予測装置及び方法及びプログラム及び商品推薦装置及び方法及びプログラム |
US20140272914A1 (en) * | 2013-03-15 | 2014-09-18 | William Marsh Rice University | Sparse Factor Analysis for Learning Analytics and Content Analytics |
US20170083621A1 (en) * | 2013-12-30 | 2017-03-23 | Limited Liability Company Mail.Ru | Systems and methods for providing music recommendations |
CN106649658A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 针对用户角色无差异对待和数据稀疏的推荐系统及方法 |
CN107247881A (zh) * | 2017-06-20 | 2017-10-13 | 北京大数医达科技有限公司 | 一种多模态智能分析方法及系统 |
CN109447713A (zh) * | 2018-10-31 | 2019-03-08 | 国家电网公司 | 一种基于知识图谱的推荐方法及装置 |
CN109508419A (zh) * | 2018-11-23 | 2019-03-22 | 成都品果科技有限公司 | 一种基于知识学习的推荐方法和系统 |
US20190205964A1 (en) * | 2018-01-03 | 2019-07-04 | NEC Laboratories Europe GmbH | Method and system for multimodal recommendations |
-
2019
- 2019-12-12 CN CN201911275360.1A patent/CN112989176A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014021797A (ja) * | 2012-07-19 | 2014-02-03 | Nippon Telegr & Teleph Corp <Ntt> | 欠損値予測装置及び商品推薦装置及び方法及びプログラム |
JP2014096118A (ja) * | 2012-11-12 | 2014-05-22 | Nippon Telegr & Teleph Corp <Ntt> | 欠損値予測装置及び方法及びプログラム及び商品推薦装置及び方法及びプログラム |
US20140272914A1 (en) * | 2013-03-15 | 2014-09-18 | William Marsh Rice University | Sparse Factor Analysis for Learning Analytics and Content Analytics |
US20170083621A1 (en) * | 2013-12-30 | 2017-03-23 | Limited Liability Company Mail.Ru | Systems and methods for providing music recommendations |
CN106649658A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 针对用户角色无差异对待和数据稀疏的推荐系统及方法 |
CN107247881A (zh) * | 2017-06-20 | 2017-10-13 | 北京大数医达科技有限公司 | 一种多模态智能分析方法及系统 |
US20190205964A1 (en) * | 2018-01-03 | 2019-07-04 | NEC Laboratories Europe GmbH | Method and system for multimodal recommendations |
CN109447713A (zh) * | 2018-10-31 | 2019-03-08 | 国家电网公司 | 一种基于知识图谱的推荐方法及装置 |
CN109508419A (zh) * | 2018-11-23 | 2019-03-22 | 成都品果科技有限公司 | 一种基于知识学习的推荐方法和系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439197A (zh) * | 2022-11-09 | 2022-12-06 | 广州科拓科技有限公司 | 基于知识图谱深度学习的电子商务推荐方法及系统 |
CN116757763A (zh) * | 2022-11-09 | 2023-09-15 | 广州科拓科技有限公司 | 基于知识图谱深度学习的电子商务推荐方法及系统 |
CN115587875A (zh) * | 2022-11-10 | 2023-01-10 | 广州科拓科技有限公司 | 基于均衡感知注意力网络的纺织品电商推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238065B1 (en) | Systems and methods for generating and implementing knowledge graphs for knowledge representation and analysis | |
CN108898459B (zh) | 一种商品推荐方法及装置 | |
Rodas-Silva et al. | Selection of software product line implementation components using recommender systems: An application to wordpress | |
US20160203191A1 (en) | Recommendation system with metric transformation | |
US7668728B2 (en) | Time polynomial arrow-debreu market equilibrium | |
Mori et al. | Common power laws for cities and spatial fractal structures | |
Jing et al. | Sparse probabilistic matrix factorization by laplace distribution for collaborative filtering | |
US9390189B2 (en) | Method and system for providing object information on the internet | |
CN109447713A (zh) | 一种基于知识图谱的推荐方法及装置 | |
WO2018219285A1 (zh) | 一种数据对象展示方法及装置 | |
CN109241449A (zh) | 一种物品推荐方法及装置 | |
CN106485566A (zh) | 一种信息推荐方法及装置 | |
CN112989176A (zh) | 一种信息推荐方法及装置 | |
US10936675B2 (en) | Developing an item data model for an item | |
Wang et al. | Research on BP neural network recommendation model fusing user reviews and ratings | |
CN109978306B (zh) | 数据处理方法及装置 | |
CN114493786A (zh) | 一种信息推荐方法及装置 | |
Bakker et al. | Dynamic graphs, community detection, and Riemannian geometry | |
CN115422453B (zh) | 项目推荐方法及项目推荐装置 | |
CN114429384B (zh) | 基于电商平台的产品智能推荐方法及系统 | |
CN116452297A (zh) | 一种基于商务市场数据的智能推荐方法及系统 | |
CA2967203A1 (en) | Infeasibility management in e-sourcing systems | |
CN113326680A (zh) | 生成表格的方法和装置 | |
CN113112285B (zh) | 数据分析方法和装置 | |
Liu et al. | A network quotation framework for customised parts through rough requests |
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 |