CN113010778A - 一种基于用户历史兴趣的知识图谱推荐方法和系统 - Google Patents

一种基于用户历史兴趣的知识图谱推荐方法和系统 Download PDF

Info

Publication number
CN113010778A
CN113010778A CN202110261438.5A CN202110261438A CN113010778A CN 113010778 A CN113010778 A CN 113010778A CN 202110261438 A CN202110261438 A CN 202110261438A CN 113010778 A CN113010778 A CN 113010778A
Authority
CN
China
Prior art keywords
seed
expansion
user
candidate
article
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
Application number
CN202110261438.5A
Other languages
English (en)
Inventor
江丹丹
景艳山
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.)
Beijing Mininglamp Software System Co ltd
Original Assignee
Beijing Mininglamp Software System Co ltd
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 Beijing Mininglamp Software System Co ltd filed Critical Beijing Mininglamp Software System Co ltd
Priority to CN202110261438.5A priority Critical patent/CN113010778A/zh
Publication of CN113010778A publication Critical patent/CN113010778A/zh
Pending legal-status Critical Current

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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出一种基于用户历史兴趣的知识图谱推荐方法和系统，其方法技术方案包括候选图谱构建步骤，构建用于计算与一用户产生交互概率的一候选物品的图谱三元组，并计算所述候选物品的扩展向量表示；种子图谱构建步骤，构建所述用户历史兴趣的种子物品的集合；扩展表示计算步骤，根据所述候选物品的图谱三元组计算所述种子物品的多轮扩展表示，得到所述种子物品的扩展向量表示；用户兴趣预测步骤，根据所述种子物品的扩展向量表示和所述候选物品的扩展向量表示，通过注意力机制计算所述用户与所述候选物品的交互概率，并基于所述交互概率进行推荐。本发明解决了现有技术方案需要领域专家制定元路径、且未考虑用户历史兴趣的时序的问题。

Description

一种基于用户历史兴趣的知识图谱推荐方法和系统
技术领域
本发明属于智能推荐领域，尤其涉及一种基于用户历史兴趣的知识图谱推荐方法和系统。
背景技术
目前，协同过滤的推荐系统主要存在两点缺陷，一是用户-物品关系矩阵过度稀疏，无法有效推荐；二是冷启动问题，对于新用户或新物品的推荐难度较大。因此，需要增加一些额外的信息来做增强，例如社交网络、图像、文本等内容。
近年来，知识图谱因为可以描述大量的用户-物品之间的交互关系，例如点击，可以潜在发现用户的偏好，而被越来越多的用在推荐系统中，帮助提升推荐的准确率，改善推荐系统的性能。
发明内容
本申请实施例提供了一种基于用户历史兴趣的知识图谱推荐方法和系统，以至少解决现有技术方案需要领域专家制定元路径、且未考虑用户历史兴趣的时序的问题。
第一方面，本申请实施例提供了一种基于用户历史兴趣的知识图谱推荐方法，包括：候选图谱构建步骤，构建用于计算与一用户产生交互概率的一候选物品的图谱三元组，并计算所述候选物品的扩展向量表示；种子图谱构建步骤，构建所述用户历史兴趣的种子物品的集合；扩展表示计算步骤，根据所述候选物品的图谱三元组计算所述种子物品的多轮扩展表示，得到所述种子物品的扩展向量表示；用户兴趣预测步骤，根据所述种子物品的扩展向量表示和所述候选物品的扩展向量表示，通过注意力机制计算所述用户与所述候选物品的交互概率，并基于所述交互概率进行推荐。
优选的，所述种子图谱构建步骤包括，根据所述种子物品的发生时间排列所述种子物品的顺序。
优选的，所述扩展表示计算步骤包括：第一扩展计算步骤，构建所述种子物品的第一次扩展集合，计算所述候选物品与所述第一次扩展集合的归一化相似度，并根据所述归一化相似度计算所述种子物品的第一次扩展结果；第二扩展计算步骤，根据所述第一次扩展集合，计算所述种子物品的第二次扩展结果，并重复进行预设轮次的计算，将所有轮次的扩展结果相加得到所述预设轮次的所述种子物品的扩展向量表示。
优选的，所述第二扩展计算步骤还包括，计算所述种子物品的第二次扩展结果时，将所述第一次扩展集合中的图谱三元组的尾实体作为头实体。
优选的，所述用户兴趣预测步骤包括：种子权重计算步骤，将所述种子物品的扩展向量表示和所述候选物品的扩展向量表示输入一注意力网络，得到所述种子物品的权重；用户表征计算步骤，将所述权重与所述种子物品的扩展向量表示加权求和得到用户兴趣表征向量；交互概率获取步骤，将所述候选物品的扩展向量表示与所述用户兴趣表征向量拼接，通过一MLP网络获取所述用户与所述候选物品的交互概率。
第二方面，本申请实施例提供了一种基于用户历史兴趣的知识图谱推荐系统，适用于上述一种基于用户历史兴趣的知识图谱推荐方法，包括：候选图谱构建单元，构建用于计算与一用户产生交互概率的一候选物品的图谱三元组，并计算所述候选物品的扩展向量表示；种子图谱构建单元，构建所述用户历史兴趣的种子物品的集合；扩展表示计算单元，根据所述候选物品的图谱三元组计算所述种子物品的多轮扩展表示，得到所述种子物品的扩展向量表示；用户兴趣预测单元，根据所述种子物品的扩展向量表示和所述候选物品的扩展向量表示，通过注意力机制计算所述用户与所述候选物品的交互概率，并基于所述交互概率进行推荐。
在其中一些实施例中，所述种子图谱构建单元包括，根据所述种子物品的发生时间排列所述种子物品的顺序。
在其中一些实施例中，所述扩展表示计算单元包括：第一扩展计算模块，构建所述种子物品的第一次扩展集合，计算所述候选物品与所述第一次扩展集合的归一化相似度，并根据所述归一化相似度计算所述种子物品的第一次扩展结果；第二扩展计算模块，根据所述第一次扩展集合，计算所述种子物品的第二次扩展结果，并重复进行预设轮次的计算，将所有轮次的扩展结果相加得到所述预设轮次的所述种子物品的扩展向量表示。
在其中一些实施例中，所述第二扩展计算模块还包括，计算所述种子物品的第二次扩展结果时，将所述第一次扩展集合中的图谱三元组的尾实体作为头实体。
在其中一些实施例中，所述用户兴趣预测单元包括：种子权重计算模块，将所述种子物品的扩展向量表示和所述候选物品的扩展向量表示输入一注意力网络，得到所述种子物品的权重；用户表征计算模块，将所述权重与所述种子物品的扩展向量表示加权求和得到用户兴趣表征向量；交互概率获取模块，将所述候选物品的扩展向量表示与所述用户兴趣表征向量拼接，通过一MLP网络获取所述用户与所述候选物品的交互概率。
相比于相关技术，本申请实施例提供的一种基于用户历史兴趣的知识图谱推荐方法能够使用知识图谱N轮扩展对物品进行表征；同时，使用注意力网络对用户历史交互物品的时序信息进行整合，充分考虑了时间因素。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明的基于用户历史兴趣的知识图谱推荐方法流程图；
图2为图1中步骤S3的分步骤流程图；
图3为图1中步骤S4的分步骤流程图；
图4为本发明的基于用户历史兴趣的知识图谱推荐系统的框架图；
图5为本发明的电子设备的框架图；
以上图中：
1、候选图谱构建单元；2、种子图谱构建单元；3、扩展表示计算单元；4、用户兴趣预测单元；31、第一扩展计算模块；32、第二扩展计算模块；41、种子权重计算模块；42、用户表征计算模块；43、交互概率获取模块；60、总线；61、处理器；62、存储器；63、通信接口。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下，结合附图详细介绍本发明的实施例：
图1为本发明的基于用户历史兴趣的知识图谱推荐方法流程图，请参见图1，本发明基于用户历史兴趣的知识图谱推荐方法包括如下步骤：
S1：构建用于计算与一用户产生交互概率的一候选物品的图谱三元组，并计算所述候选物品的扩展向量表示。
在具体实施中，计算用户U与候选物品v产生交互的概率，首先提前构造好所有候选物品的图谱三元组(h,r,t)，同时，计算候选物品的扩展向量表示。在具体实施中，候选物品的扩展向量表示与下述的种子物品的扩展向量表示计算方法相同，可选，二者可分别计算，也可并行计算。
S2：构建所述用户历史兴趣的种子物品的集合。
可选的，根据所述种子物品的发生时间排列所述种子物品的顺序。
在具体实施中，构建用户历史兴趣种子物品集合如下并以发生时间排序，种子物品即用户交互物品：
{A1,A2}
U的种子物品与v的关系：如果v属于种子物品，则为正样本(与该物品发生交互的概率为1)，反之为负样本。
S3：根据所述候选物品的图谱三元组计算所述种子物品的多轮扩展表示，得到所述种子物品的扩展向量表示。
可选的，图2为图1中步骤S3的分步骤流程图，请参见图2：
S31：构建所述种子物品的第一次扩展集合，计算所述候选物品与所述第一次扩展集合的归一化相似度，并根据所述归一化相似度计算所述种子物品的第一次扩展结果；
S32：根据所述第一次扩展集合，计算所述种子物品的第二次扩展结果，并重复进行预设轮次的计算，将所有轮次的扩展结果相加得到所述预设轮次的所述种子物品的扩展向量表示；可选的，计算所述种子物品的第二次扩展结果时，将所述第一次扩展集合中的图谱三元组的尾实体作为头实体。
在具体实施中，计算一个种子物品的N轮扩展表示，以第一个种子物品A1为例，计算第一次扩展结果。首先，构建与用户U相关的有关物品A1的第一次扩展集合，用(h,r,t)表示，仅考虑物品的出度可得：
Figure BDA0002970188340000061
然后根据Embedding向量内积，计算v与第一次扩展集合的归一化相似度，根据归一化相似度，对第一层扩展后的节点进行加权求和，得到的结果作为这一层的输出。具体计算方法如下：
对于集合中的每一个(h,r,t)，计算v与其相关性得分：
vTrihi
使用softmax进行相关性归一化：
Figure BDA0002970188340000062
通过对所有尾节点进行加权求和，得到一个向量，该向量表示种子物品A1再经过一轮扩散后的表示:
Figure BDA0002970188340000063
在具体实施中，将第一层的扩展集合的t作为第二层的h，先取出第二层的扩展集合，然后用第二层的扩展集合和物品v的相似度加权作为输出
Figure BDA0002970188340000064
重复上述步骤，直到达到设置的N轮次。
在具体实施中，讲过N轮的计算，得到N个输出，将N个输出相加最终得到种子物品A1的表示o1：
Figure BDA0002970188340000065
在具体实施中，重复上述步骤，计算集合中所有种子物品的扩展表示，得到{o1,o2,……,oS}。
请继续参见图1：
S4：根据所述种子物品的扩展向量表示和所述候选物品的扩展向量表示，通过注意力机制计算所述用户与所述候选物品的交互概率，并基于所述交互概率进行推荐。
在具体实施中，获取到用户交互物品即种子物品的扩展向量表示之后，计算候选物品与用户交互物品的attention，给每个物品分配不同的权重，再做加权求和。
可选的，图3为图1中步骤S4的分步骤流程图，请参见图3：
S41：将所述种子物品的扩展向量表示和所述候选物品的扩展向量表示输入一注意力网络，得到所述种子物品的权重；
S42：将所述权重与所述种子物品的扩展向量表示加权求和得到用户兴趣表征向量；
S43：将所述候选物品的扩展向量表示与所述用户兴趣表征向量拼接，通过一MLP网络获取所述用户与所述候选物品的交互概率。
在具体实施中，将候选物品和种子物品分别通过上述步骤得到其扩展表征。然后，分别将每一个种子物品表征都与候选物品表征输入注意力网络，得到每一个种子物品的权重。再将权重和表征向量加权求和作为用户兴趣表征向量。将候选物品表征和用户兴趣表征拼接，后接一个MLP网络，得到用户与候选物品的交互概率。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例提供了一种基于用户历史兴趣的知识图谱推荐系统，适用于上述的一种基于用户历史兴趣的知识图谱推荐方法。如以下所使用的，术语“单元”、“模块”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件、或者软件和硬件的组合的实现也是可能并被构想的。
图4为根据本发明的基于用户历史兴趣的知识图谱推荐系统的框架图，请参见图4，包括：
候选图谱构建单元1，构建用于计算与一用户产生交互概率的一候选物品的图谱三元组，并计算所述候选物品的扩展向量表示。
种子图谱构建单元2，构建所述用户历史兴趣的种子物品的集合；可选的，根据所述种子物品的发生时间排列所述种子物品的顺序。
扩展表示计算单元3，根据所述候选物品的图谱三元组计算所述种子物品的多轮扩展表示，得到所述种子物品的扩展向量表示；可选的，所述扩展表示计算单元3还包括：
第一扩展计算模块31，构建所述种子物品的第一次扩展集合，计算所述候选物品与所述第一次扩展集合的归一化相似度，并根据所述归一化相似度计算所述种子物品的第一次扩展结果；
第二扩展计算模块32，根据所述第一次扩展集合，计算所述种子物品的第二次扩展结果，并重复进行预设轮次的计算，将所有轮次的扩展结果相加得到所述预设轮次的所述种子物品的扩展向量表示；可选的，所述第二扩展计算模块还包括，计算所述种子物品的第二次扩展结果时，将所述第一次扩展集合中的图谱三元组的尾实体作为头实体。
用户兴趣预测单元4，根据所述种子物品的扩展向量表示和所述候选物品的扩展向量表示，通过注意力机制计算所述用户与所述候选物品的交互概率，并基于所述交互概率进行推荐；可选的，所述用户兴趣预测单元4还包括：
种子权重计算模块41，将所述种子物品的扩展向量表示和所述候选物品的扩展向量表示输入一注意力网络，得到所述种子物品的权重；
用户表征计算模块42，将所述权重与所述种子物品的扩展向量表示加权求和得到用户兴趣表征向量；
交互概率获取模块43，将所述候选物品的扩展向量表示与所述用户兴趣表征向量拼接，通过一MLP网络获取所述用户与所述候选物品的交互概率。
在具体实施中，本实施例所提供的基于用户历史兴趣的知识图谱推荐系统，其具体作业方式已在本实施例提供的基于用户历史兴趣的知识图谱推荐方法中具体阐述。
另外，结合图1描述的一种基于用户历史兴趣的知识图谱推荐方法可以由一电子设备来实现。图5为本发明的电子设备的框架图。
电子设备可以包括处理器61以及存储有计算机程序指令的存储器62。
具体地，上述处理器61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62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62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62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62可在数据处理装置的内部或外部。在特定实施例中，存储器62是非易失性(Non-Volatile)存储器。在特定实施例中，存储器62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62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61所执行的可能的计算机程序指令。
处理器61通过读取并执行存储器62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基于用户历史兴趣的知识图谱推荐方法。
在其中一些实施例中，电子设备还可包括通信接口63和总线60。其中，如图5所示，处理器61、存储器62、通信接口63通过总线60连接并完成相互间的通信。
通信端口63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60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60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60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60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。
该电子设备可以执行本申请实施例中的一种基于用户历史兴趣的知识图谱推荐方法。
另外，结合上述实施例中的一种基于用户历史兴趣的知识图谱推荐方法，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基于用户历史兴趣的知识图谱推荐方法。
而前述的存储介质包括：U盘、移动硬盘、只读存储器(ReadOnly Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于用户历史兴趣的知识图谱推荐方法，其特征在于，包括：
候选图谱构建步骤，构建用于计算与一用户产生交互概率的一候选物品的图谱三元组，并计算所述候选物品的扩展向量表示；
种子图谱构建步骤，构建所述用户历史兴趣的种子物品的集合；
扩展表示计算步骤，根据所述候选物品的图谱三元组计算所述种子物品的多轮扩展表示，得到所述种子物品的扩展向量表示；
用户兴趣预测步骤，根据所述种子物品的扩展向量表示和所述候选物品的扩展向量表示，通过注意力机制计算所述用户与所述候选物品的交互概率，并基于所述交互概率进行推荐。
2.如权利要求1所述的基于用户历史兴趣的知识图谱推荐方法，其特征在于，所述种子图谱构建步骤包括，根据所述种子物品的发生时间排列所述种子物品的顺序。
3.如权利要求1所述的基于用户历史兴趣的知识图谱推荐方法，其特征在于，所述扩展表示计算步骤包括：
第一扩展计算步骤，构建所述种子物品的第一次扩展集合，计算所述候选物品与所述第一次扩展集合的归一化相似度，并根据所述归一化相似度计算所述种子物品的第一次扩展结果；
第二扩展计算步骤，根据所述第一次扩展集合，计算所述种子物品的第二次扩展结果，并重复进行预设轮次的计算，将所有轮次的扩展结果相加得到所述预设轮次的所述种子物品的扩展向量表示。
4.如权利要求3所述的基于用户历史兴趣的知识图谱推荐方法，其特征在于，所述第二扩展计算步骤还包括，计算所述种子物品的第二次扩展结果时，将所述第一次扩展集合中的图谱三元组的尾实体作为头实体。
5.如权利要求1所述的基于用户历史兴趣的知识图谱推荐方法，其特征在于，所述用户兴趣预测步骤包括：
种子权重计算步骤，将所述种子物品的扩展向量表示和所述候选物品的扩展向量表示输入一注意力网络，得到所述种子物品的权重；
用户表征计算步骤，将所述权重与所述种子物品的扩展向量表示加权求和得到用户兴趣表征向量；
交互概率获取步骤，将所述候选物品的扩展向量表示与所述用户兴趣表征向量拼接，通过一MLP网络获取所述用户与所述候选物品的交互概率。
6.一种基于用户历史兴趣的知识图谱推荐系统，其特征在于，包括：
候选图谱构建单元，构建用于计算与一用户产生交互概率的一候选物品的图谱三元组，并计算所述候选物品的扩展向量表示；
种子图谱构建单元，构建所述用户历史兴趣的种子物品的集合；
扩展表示计算单元，根据所述候选物品的图谱三元组计算所述种子物品的多轮扩展表示，得到所述种子物品的扩展向量表示；
用户兴趣预测单元，根据所述种子物品的扩展向量表示和所述候选物品的扩展向量表示，通过注意力机制计算所述用户与所述候选物品的交互概率，并基于所述交互概率进行推荐。
7.如权利要求6所述的基于用户历史兴趣的知识图谱推荐系统，其特征在于，所述种子图谱构建单元包括，根据所述种子物品的发生时间排列所述种子物品的顺序。
8.如权利要求6所述的基于用户历史兴趣的知识图谱推荐系统，其特征在于，所述扩展表示计算单元包括：
第一扩展计算模块，构建所述种子物品的第一次扩展集合，计算所述候选物品与所述第一次扩展集合的归一化相似度，并根据所述归一化相似度计算所述种子物品的第一次扩展结果；
第二扩展计算模块，根据所述第一次扩展集合，计算所述种子物品的第二次扩展结果，并重复进行预设轮次的计算，将所有轮次的扩展结果相加得到所述预设轮次的所述种子物品的扩展向量表示。
9.如权利要求8所述的基于用户历史兴趣的知识图谱推荐系统，其特征在于，所述第二扩展计算模块还包括，计算所述种子物品的第二次扩展结果时，将所述第一次扩展集合中的图谱三元组的尾实体作为头实体。
10.如权利要求6所述的基于用户历史兴趣的知识图谱推荐系统，其特征在于，所述用户兴趣预测单元包括：
种子权重计算模块，将所述种子物品的扩展向量表示和所述候选物品的扩展向量表示输入一注意力网络，得到所述种子物品的权重；
用户表征计算模块，将所述权重与所述种子物品的扩展向量表示加权求和得到用户兴趣表征向量；
交互概率获取模块，将所述候选物品的扩展向量表示与所述用户兴趣表征向量拼接，通过一MLP网络获取所述用户与所述候选物品的交互概率。
CN202110261438.5A 2021-03-10 2021-03-10 一种基于用户历史兴趣的知识图谱推荐方法和系统 Pending CN113010778A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110261438.5A CN113010778A (zh) 2021-03-10 2021-03-10 一种基于用户历史兴趣的知识图谱推荐方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110261438.5A CN113010778A (zh) 2021-03-10 2021-03-10 一种基于用户历史兴趣的知识图谱推荐方法和系统

Publications (1)

Publication Number Publication Date
CN113010778A true CN113010778A (zh) 2021-06-22

Family

ID=76404435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110261438.5A Pending CN113010778A (zh) 2021-03-10 2021-03-10 一种基于用户历史兴趣的知识图谱推荐方法和系统

Country Status (1)

Country Link
CN (1) CN113010778A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113539409A (zh) * 2021-07-28 2021-10-22 平安科技（深圳）有限公司 治疗方案推荐方法、装置、设备及存储介质
CN113535145A (zh) * 2021-06-28 2021-10-22 北京明略软件系统有限公司 基于Gremlin的并行扩展方法、系统、电子设备及存储介质
CN114398490A (zh) * 2021-12-13 2022-04-26 西安电子科技大学 一种基于分层注意力机制的知识图谱补全方法及装置
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
CN114996507A (zh) * 2022-06-10 2022-09-02 北京达佳互联信息技术有限公司 视频推荐方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013073206A1 (ja) * 2011-11-17 2013-05-23 株式会社日立システムズ 情報収集システム、情報収集方法、およびプログラム
CN110287336A (zh) * 2019-06-19 2019-09-27 桂林电子科技大学 一种面向旅游景点推荐的游客画像构建方法
CN111507796A (zh) * 2020-04-07 2020-08-07 桂林电子科技大学 一种基于知识图谱的网上商城商品推荐方法
CN112069408A (zh) * 2020-06-15 2020-12-11 北京理工大学 一种融合关系抽取的推荐系统及方法
CN112163929A (zh) * 2020-09-27 2021-01-01 中国平安财产保险股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN112417313A (zh) * 2020-11-24 2021-02-26 云南大学 一种基于知识图卷积网络的模型混合推荐方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013073206A1 (ja) * 2011-11-17 2013-05-23 株式会社日立システムズ 情報収集システム、情報収集方法、およびプログラム
CN110287336A (zh) * 2019-06-19 2019-09-27 桂林电子科技大学 一种面向旅游景点推荐的游客画像构建方法
CN111507796A (zh) * 2020-04-07 2020-08-07 桂林电子科技大学 一种基于知识图谱的网上商城商品推荐方法
CN112069408A (zh) * 2020-06-15 2020-12-11 北京理工大学 一种融合关系抽取的推荐系统及方法
CN112163929A (zh) * 2020-09-27 2021-01-01 中国平安财产保险股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN112417313A (zh) * 2020-11-24 2021-02-26 云南大学 一种基于知识图卷积网络的模型混合推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HONGWEI WANG等: "RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems", PROCEEDINGS OF THE 27TH ACM INTERNATIONAL CONFERENCE ON INFORMATION AND KNOWLEDGE MANAGEMENT, pages 417 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113535145A (zh) * 2021-06-28 2021-10-22 北京明略软件系统有限公司 基于Gremlin的并行扩展方法、系统、电子设备及存储介质
CN113535145B (zh) * 2021-06-28 2024-03-29 南京明略科技有限公司 基于Gremlin的并行扩展方法、系统、电子设备及存储介质
CN113539409A (zh) * 2021-07-28 2021-10-22 平安科技（深圳）有限公司 治疗方案推荐方法、装置、设备及存储介质
CN113539409B (zh) * 2021-07-28 2024-04-26 平安科技（深圳）有限公司 治疗方案推荐方法、装置、设备及存储介质
CN114398490A (zh) * 2021-12-13 2022-04-26 西安电子科技大学 一种基于分层注意力机制的知识图谱补全方法及装置
CN114398490B (zh) * 2021-12-13 2024-04-02 西安电子科技大学 一种基于分层注意力机制的知识图谱补全方法及装置
CN114996507A (zh) * 2022-06-10 2022-09-02 北京达佳互联信息技术有限公司 视频推荐方法及装置
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
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

Similar Documents

Publication Publication Date Title
CN113010778A (zh) 一种基于用户历史兴趣的知识图谱推荐方法和系统
US20190370659A1 (en) Optimizing neural network architectures
US9660947B1 (en) Method and apparatus for filtering undesirable content based on anti-tags
CN111898380A (zh) 文本匹配方法、装置、电子设备及存储介质
CN112883285B (zh) 一种信息推荐方法及装置
CN112348188B (zh) 模型生成方法及装置、电子设备和存储介质
CN113704566B (zh) 识别号主体识别方法、存储介质和电子设备
CN115757973A (zh) 推荐系统的排序方法、装置、设备及可读存储介质
CN112364258B (zh) 基于图谱的推荐方法、系统、存储介质及电子设备
CN112561569B (zh) 基于双模型的到店预测方法、系统、电子设备及存储介质
CN111582456B (zh) 用于生成网络模型信息的方法、装置、设备和介质
CN114461751A (zh) 倒排索引表构建方法、资源检索方法、设备及存储介质
CN112464101A (zh) 电子书的排序推荐方法、电子设备及存储介质
CN113326385B (zh) 目标多媒体资源的获取方法、装置、电子设备和存储介质
CN115545043B (zh) 一种实体与关系并行抽取模型及其构建方法、装置及应用
CN113962156B (zh) 基于矩阵分解模型的剪枝方法、装置、设备、存储介质
CN116578757A (zh) 博文向量生成模型训练方法、博文推荐方法及装置、设备
CN113158136A (zh) 关键词推荐效果评估方法、系统、电子设备及存储介质
CN113011383A (zh) 视频标签定义模型构建方法、系统、电子设备及存储介质
CN116861071A (zh) 资讯推送方法、装置、计算机设备、存储介质和程序产品
CN117787995A (zh) 一种可疑团伙的识别方法、装置及电子设备
CN116881543A (zh) 金融资源对象推荐方法、装置、设备、存储介质和产品
CN117743673A (zh) 资源召回方法
CN118152661A (zh) 服务确定方法、装置、介质、设备及程序产品
CN117493666A (zh) 物品冷启动推荐方法和物品冷启动推荐模型训练方法

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