CN114265986A - 一种融合知识图谱结构与路径语义的信息推送方法和系统 - Google Patents
一种融合知识图谱结构与路径语义的信息推送方法和系统 Download PDFInfo
- Publication number
- CN114265986A CN114265986A CN202210184063.1A CN202210184063A CN114265986A CN 114265986 A CN114265986 A CN 114265986A CN 202210184063 A CN202210184063 A CN 202210184063A CN 114265986 A CN114265986 A CN 114265986A
- Authority
- CN
- China
- Prior art keywords
- article
- user
- graph
- node
- path
- 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 47
- 230000006399 behavior Effects 0.000 claims abstract description 70
- 230000004927 fusion Effects 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005295 random walk Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000005065 mining Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种融合知识图谱结构与路径语义的信息推送方法和系统，包括：基于用户物品行为图和物品关联知识图谱构建融合图；将异构节点表示映射到统一语义空间；使用图神经网络对融合图中的行为子图和物品子图逐层交替更新；对用户和物品节点之间游走采样得到路径集合并加权融合生成路径表示；联合用户和物品节点表示及其二者间路径表示计算匹配得分训练推荐系统模型；基于推荐系统模型对用户推送感兴趣的物品信息。本发明综合考量结构信息和路径语义计算用户和物品相似度进行物品信息推送，提供了一种更为合理的信息融合手段，此项技术可以应用于物品信息推送尤其是稀疏场景下的用户物品表示学习。
Description
技术领域
本发明涉及一种推送方法，具体是一种融合知识图谱结构与路径语义的信息推送方法和系统，属于信息推送技术领域。
背景技术
随着互联网信息的爆炸式增长，如何从海量数据中挖掘用户兴趣点成为当下亟需解决的问题。近年来，推荐系统技术通过算法分析用户过往行为模式进行物品推荐，广泛应用于购物和信息推送等网站中，极大地提高了用户的使用体验。
传统的推荐系统方法基于用户对物品的点击、购买等行为记录数据使用协同过滤算法挖掘相似度推荐，或是学习用户和物品的向量表示计算匹配得分，根据打分给用户推送（推荐）感兴趣的物品。传统方法过度依赖用户物品交互的行为记录数据，由于行为数据的稀疏性和缺乏对新用户或新物品的记录，导致了向量表示学习不充分以及对新用户或新物品的冷启动问题。
知识图谱技术利用图结构描述知识资源，通过实体和关系构建知识之间的联系，基于知识图谱的推荐系统将推荐系统中的物品对齐到知识图谱中实体，通过知识图谱为推荐系统引入额外的辅助信息，有效地缓解了冷启动问题并提升了推荐精度。
当前基于知识图谱的推荐系统主要分为两种，第一种通过知识图谱进行节点实体表示学习丰富用户或物品的语义，利用知识图谱表示算法或图神经网络算法在知识图谱中学习物品节点的表示并迁移至推荐系统中；第二种方法侧重于挖掘知识图谱的路径信息，通过在知识图谱中用户和物品间的复杂路径中学习路径表示，从路径语义中学习用户和物品的关联性。经过研究发现，基于节点表示的相关方法缺少对长距离路径依赖的考虑，基于路径的相关方法难以学习准确的物品和用户特征，这些方法均未能挖掘物品关联知识图谱的完备信息，推荐精度存在提升空间。
发明内容
发明目的：根据现有技术存在的问题与不足可知，基于知识图谱的推荐系统需要一种更为合理的信息融合手段。针对现有技术存在的问题与不足，本发明使用知识图谱作为辅助信息进行物品信息推送来缓解传统推荐（或者推送）算法的稀疏性和冷启动问题，进一步地设计了一种在基于知识图谱结构的节点表示学习基础上，融合用户和物品间复杂路径关联的打分框架，充分利用知识图谱信息以提升推荐精确性。
技术方案：一种融合知识图谱结构与路径语义的信息推送方法，所述方法涉及两种类型的图结构：用户物品行为图、物品关联知识图谱；所述用户物品行为图为用户和物品两种类型的节点构成的二部图，用户和物品之间存在不同的行为边，如点击、观看等；所述物品关联知识图谱是通过物品的属性和属性名称等描述信息构建的图结构，包括物品节点和属性节点。
信息推送方法包括如下六个步骤：
（1）基于用户物品行为图和物品关联知识图谱构建融合图；
（2）将异构节点表示映射到统一语义空间；
（3）使用图神经网络对融合图中的行为子图和物品子图逐层交替更新；
（4）对用户和物品节点之间游走采样得到路径集合并加权融合生成路径表示；
（5）联合用户和物品节点表示及其二者间路径表示计算匹配得分训练推荐系统模型；
（6）基于推荐系统模型对用户推送感兴趣的物品信息。
所述基于用户物品行为图和物品关联知识图谱构建融合图中，将当前推送场景下的用户物品行为数据根据物品名称与物品关联知识图谱对齐，构建包含用户与物品的行为信息和物品关联的异构图结构；所述融合图中包括用户节点、物品节点和属性节点，融合图中节点之间的连接边信息为关系集合，关系集合表示节点之间的相互作用类型，具体包括用户对物品的行为关系（如点击、观看等）以及物品与属性间关系；所述融合图包括行为子图和物品子图。
所述将异构节点表示映射到统一语义空间中，对输入异构类型节点（用户、物品和属性节点）各自经过线性神经网络，在网络中使用不同的权重矩阵将用户、物品和属性节点的初始化特征进行映射，将节点的特征维度进行统一，得到统一后的用户、物品和属性节点特征。
所述使用图神经网络对融合图中的行为子图和物品子图逐层交替更新中，旨在于学习融合图中两种类型子图的一致性和互补性，包括以下步骤：
步骤301，构建L层图神经网络用于训练，随机初始化网络参数，将前述中统一后的用户、物品和属性节点特征输入到图神经网络中；
步骤302，在第l层中通过聚合物品子图（包括物品和属性节点）中物品和属性节点在l-1层物品子图中的近邻节点信息更新物品和属性节点表示；
步骤303，使用步骤302中得到的第l层物品节点信息更新行为子图（包括物品和用户节点）中的用户节点表示，同时根据l-1层行为子图中的节点进一步更新第l层的物品节点表示；
步骤304，重复步骤302和步骤303，逐层交替更新至第L层图神经网络；
步骤305，将用户和物品节点在图神经网络中每层行为子图中的向量表示拼接，得到用户和物品的最终表示，同时在物品子图中使用同样的方法得到属性的最终表示。
所述对用户和物品节点之间游走采样得到路径集合并加权融合生成路径表示，包括以下步骤：
步骤401，分别选取一个用户节点和物品节点；
步骤402，在融合图中从用户节点到物品节点进行随机游走得到包含用户、物品和属性节点的路径集合，使用步骤305中最终表示作为路径中的元素特征；
步骤403，利用自注意力编码器Transformer对于每条路径中元素特征进行编码，并通过平均池化操作得到每条路径的表示；
步骤404，使用注意力加权融合步骤402中得到的路径集合中每条路径的向量，得到最终的路径表示。
所述联合用户和物品节点表示及其二者间路径表示计算匹配得分训练模型包括以下步骤：
步骤501，从用户物品行为图中随机抽取一个用户节点，选取一个与该用户关联的物品节点作为正样本，同时在物品集中选取一个与该用户没有关联的物品节点作为负样本；
步骤502，将步骤305中得到用户节点表示和正样本物品节点表示，以及步骤404中得到的该用户和正样本物品节点之间的最终路径表示，合计三种向量表示进行拼接融合，将融合后的向量表示经过线性神经网络预测匹配打分，同理对用户节点和负样本节点计算匹配打分；
步骤503，通过损失函数计算正负样本打分损失；
步骤504，设定训练轮次，重复步骤501到步骤503，使用损失函数拉开正负样本之间的距离训练推荐系统模型。
所述基于推荐系统模型对用户推送感兴趣的物品信息中，将用户集合中的用户数据和待推送物品集合中的物品信息两两输入到推荐系统模型中得到一系列打分，选取打分高的物品信息推送给用户的客户端。
对于第l层图神经网络，包括行为子图G R和物品子图G K，两者共享物品节点，首先在物品子图中更新属性节点和物品节点的信息，具体形式为：
其中，
为属性节点i在l层的向量表示，
为物品节点i在l层的临时
向量表示，N attr,i 、N item,i 分别为节点i的邻居属性节点集合和邻居物品节点集合，|N attr,i |、|N item,i |表示对应邻居节点数目，
、
、
为模型在l层的训练权重矩阵，ReLU为非线性激活函数。
接着在行为子图中继续更新用户节点和物品节点的信息，具体形式为：
其中，
为属性节点i在l层的向量表示， 
为物品节点i在l层的向
量表示，N user,i 、N item,i 分别为节点i的邻居用户节点集合和邻居物品节点集合，|N user,i |、|N item,i |表示对应邻居节点数目，
、
、
为模型在l层的训练权重矩阵。
所述使用注意力加权融合路径集合中的路径向量，具体形式为：
其中，h path,ij 为用户i到物品j的最终路径表示， 
为路径p k 经过自注意力编码
器并平均池化后的特征表示，
为路径p k 的自适应权重，具体形式为：
其中，W 1、W 2、b 1、b 2为线性网络参数，ReLU为非线性激活函数，对线性网络输出进行归一化得到路径权重。
所述将融合后的向量表示经过线性神经网络预测匹配打分，使用线性神经网络预测用户和物品匹配打分形式为：
其中，s i,j 表示用户i到物品j的匹配得分，打分越高说明用户更有可能与该物品发
生交互关系，W score、b score为全连接网络参数，
和
分别为用户节点和物品
节点的最终向量表示，||表示向量拼接操作。
随机采取用户i并同时构造正样本物品j和负样本物品k，通过以下损失函数训练推荐系统模型：
其中σ为sigmoid非线性激活函数，正物品样本j从用户历史交互物品中选取，负物品样本k从用户没有交互过的物品中随机抽取。
一种融合知识图谱结构与路径语义的信息推送系统，所述系统涉及两种类型的图结构：用户物品行为图、物品关联知识图谱；所述用户物品行为图为用户和物品两种类型的节点构成的二部图，用户和物品之间存在不同的行为边；所述物品关联知识图谱是通过物品的属性和属性名称等描述信息构建的图结构，包括物品节点和属性节点；
信息推送系统包括如下六个模块：
（1）构建融合图模块，基于用户物品行为图和物品关联知识图谱构建融合图；
（2）统一语义空间模块，将异构节点表示映射到统一语义空间；
（3）更新模块，使用图神经网络对融合图中的行为子图和物品子图逐层交替更新；
（4）路径表示模块，对用户和物品节点之间游走采样得到路径集合并加权融合生成路径表示；
（5）推荐系统模型训练模块，联合用户和物品节点表示及其二者间路径表示计算匹配得分训练推荐系统模型；
（6）推荐模块，基于推荐系统模型对用户推送感兴趣的物品信息。
融合知识图谱结构与路径语义的信息推送系统各个模块的实现过程同方法。
一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如上所述的融合知识图谱结构与路径语义的信息推送方法。
一种计算机可读存储介质，该计算机可读存储介质存储有执行如上所述的融合知识图谱结构与路径语义的信息推送方法的计算机程序。
有益效果：与现有技术相比，本发明提供的融合知识图谱结构与路径语义的信息推送方法和系统，具有如下优点：
(1)相比于现有的基于协同过滤或者是基于行为记录向量匹配打分的推荐系统技术，本发明利用物品关联知识图谱为推荐系统引入额外信息，有效地缓解了面对新物品和新用户由于信息缺乏引起的冷启动问题；
(2)相比于现有的挖掘知识图谱节点信息的基于知识图谱推荐系统技术，本发明额外引入用户节点和物品节点间的长距离路径关联可以捕捉更为丰富的用户喜好，同时在行为子图和物品子图两种图结构中使用交替更新的策略代替传统的统一更新，防止由于图结构差异对节点表示学习的信息干扰。
(3)相比于现有的挖掘知识图谱路径的基于知识图谱推荐系统技术，本发明额外添加节点表示学习模块，从图结构中节点近邻中学习更为准确的用户和物品特征，同时使用自注意力编码器和自适应加权融合增强模型的路径学习能力。
附图说明
图1为本发明实施例所使用的用户物品行为图和物品关联知识图谱及其融合图结构；
图2为本发明实施例信息推送方法流程图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种融合知识图谱结构与路径语义的信息推送方法，涉及用户物品行为图和物品关联知识图谱，如图1所示的融合图结构，其中用户物品行为图是推荐系统中用户的点击、购买等行为记录数据构建的用户物品二部图，物品关联知识图谱是通过物品的属性和属性名称等描述信息构建的图结构，包括物品节点和属性节点。
如图2所示，信息推送方法的流程，分为6个步骤：
(1)基于用户物品行为图和物品关联知识图谱构建融合图；
(2)将异构节点表示映射到统一语义空间；
(3)使用图神经网络对融合图中的行为子图和物品子图逐层交替更新；
(4)对用户和物品节点之间游走采样得到路径集合并加权融合生成路径表示；
(5)联合用户和物品节点表示及其二者间路径表示计算匹配得分训练推荐系统模型；
(6)基于推荐系统模型对用户推送感兴趣的物品信息。
具体如下：
步骤1：
根据用户对物品的历史行为记录构建图结构的用户物品行为图，以及通过当前信息推送场景下物品之间的关系和物品的属性构建图结构的物品关联知识图谱，从用户物品行为图中的物品节点出发，寻找当前物品节点在物品关联知识图谱中的对应关系，从物品关联知识图谱中截断得到与当前物品节点关联的物品节点和属性节点建立用户物品行为图到物品关联知识图谱的连接并得到融合图，包括行为子图和物品子图两部分，行为子图中包括用户节点和物品节点，物品子图中包括物品节点和属性节点，两部分子图以物品节点为桥梁搭建联系。
本实施例中构建的融合图结构包括用户、物品和属性三种类型的节点，在用户与物品间包括来自用户物品行为图的关系，在物品间和物品到属性间包括来自物品关联知识图谱的关系。本发明记融合图为G={G R, G K}，其中G R为融合图中的行为子图，G K为物品子图；融合图中的节点集合为N={ N U, N I, N A}，其中N U为用户节点集合，N I为物品节点集合，N A为属性节点集合。
步骤2：
使用图神经网络对融合图进行表示学习，考虑到融合图中的不同类型节点来自不同的语义空间，使用权重矩阵将用户节点、物品节点和属性节点映射到同一语义空间下，具体形式为：
e user,i =W U n user,i ，n user,i ∈N U
e item,i =W I n item,i ，n item,i ∈N I
e attr,i =W A n attr,i ，n attr,i ∈N A
其中，n user,i 、n item,i 、 n attr,i 分别为融合图中用户、物品和属性节点特征，对不同类
型的节点分别经过线性神经网络，使用网络中的映射权重矩阵 W U、W I、W A与节点特征相乘得
到在共享语义空间下的向量表示e user,i 、e item,i 、e attr,i ，记节点表示集合为
，其中|N|为融合图节点个数，d为向量表示维度。
步骤3：
将当前融合图输入到L层图神经网络中，为学习融合图中的行为子图和物品子图的细粒度一致性和互补性，在每层图神经网络中对融合图中不同子图的节点进行交替更新。
具体地，网络第1层的初始输入节点特征为步骤2中的特征E，记为：
对于第l层图神经网络，包括行为子图G R和物品子图G K，两者共享物品节点，首先在物品子图中更新属性节点和物品节点的信息，具体形式为：
其中，
为属性节点i在l层的向量表示，
为物品节点i在l层的临
时向量表示，N attr,i 、N item,i 分别为节点i的邻居属性节点集合和邻居物品节点集合，|N attr,i
|、|N item,i |表示对应邻居节点数目，
、
、
为图神经网络模型在l层的训
练权重矩阵，该权重矩阵在模型训练开始时随机初始化得到，在模型训练过程中不断更新，ReLU为非线性激活函数。
接着在行为子图中继续更新用户节点和物品节点的信息，具体形式为：
其中，
为属性节点i在l层的向量表示，
为物品节点i在l层的向
量表示，N user,i 、N item,i 分别为节点i的邻居用户节点集合和邻居物品节点集合，|N user,i |、|N item,i |表示对应邻居节点数目，
、
、
为模型在l层的训练权重矩阵。
对每层网络按照上述方式进行交替更新，得到从第1层到第L层的用户和物品节点表示，用户和物品的最终向量表示为：
其中，
、
和
分别为用户节点、物品节点和属性节点的最终
向量表示， ||表示向量拼接操作。步骤4：
从融合图结构中自用户节点i出发向物品节点j进行随机游走，获取一系列包含用
户、物品和属性节点的路径，记路径集合为P，使用步骤3中得到的最终向量表示作为路径中
元素的向量表示，对于对路径集合中的路径p k ∈P，为挖掘路径中节点间的关联语义，使用
Transformer自注意力编码器更新路径元素的特征表示，接着对路径元素进行平均池化得
到p k 的特征表示，记为
。
接着对路径集合中的路径特征表示自适应融合，具体形式为：
其中，h path,ij 为用户i到物品j的最终路径表示，
为路径p k 的自适应权重，具体
形式为：
其中，W 1、W 2、b 1、b 2为线性网络参数，ReLU为非线性激活函数，对线性网络输出进行归一化得到路径权重。
步骤5：
引入用户与物品之间的行为记录作为监督信息对推荐系统模型进行训练，从用户物品行为图中随机抽取一个用户节点，选取一个与该用户关联的物品节点作为正样本，同时在物品集中选取一个与该用户没有关联的物品节点作为负样本，使用贝叶斯个性化排序BRP损失函数训练模型参数，通过拉开正负样本的打分差距使模型能够识别用户兴趣信息。
用户物品对的打分函数形式为：
其中，s i,j 表示用户i和物品j的匹配得分，打分越高说明用户更有可能与该物品发
生交互关系，W score、b score为全连接网络参数，
、
和
分别为用户
节点、物品节点和属性节点的最终向量表示，||表示向量拼接操作。在模型训练中，随机采
取用户i并同时构造正样本物品j和负样本物品k，通过以下损失函数训练推荐系统模型：
其中σ为sigmoid非线性激活函数，正样本物品j从用户历史交互物品中选取，负样本物品 k从用户没有交互过的物品中随机抽取。
步骤6：
通过步骤5在用户与物品之间的历史行为记录中训练推荐系统模型，基于该推荐系统模型，将用户集合中的用户数据和待推送物品集合中的物品信息两两输入到推荐系统模型中，通过步骤5中的打分函数计算得到一系列打分，选取打分高的物品信息推送给用户的客户端。
综上所述，本发明提出了一种融合知识图谱结构与路径语义的物品推送方法，此项技术利用图神经网络在用户物品行为图和物品关联知识图谱中逐层交替更新挖掘知识图谱和推荐系统的细粒度耦合作为结构信息，同时基于融合图用户和物品间多条关联路径学习路径语义，综合考量结构信息和路径语义计算用户和物品相似度进行物品信息推送，提供了一种更为合理的信息融合手段，此项技术可以应用于物品信息推送尤其是稀疏场景下的用户物品表示学习。
以上是本发明的实现方案流程，本实施例中未明确的各组成部份均可用现有技术加以实现。
一种融合知识图谱结构与路径语义的信息推送系统，系统涉及两种类型的图结构：用户物品行为图、物品关联知识图谱；用户物品行为图为用户和物品两种类型的节点构成的二部图，用户和物品之间存在不同的行为边；物品关联知识图谱是通过物品的属性和属性名称等描述信息构建的图结构，包括物品节点和属性节点；
信息推送系统包括如下六个模块：
（1）构建融合图模块，基于用户物品行为图和物品关联知识图谱构建融合图；
（2）统一语义空间模块，将异构节点表示映射到统一语义空间；
（3）更新模块，使用图神经网络对融合图中的行为子图和物品子图逐层交替更新；
（4）路径表示模块，对用户和物品节点之间游走采样得到路径集合并加权融合生成路径表示；
（5）推荐系统模型训练模块，联合用户和物品节点表示及其二者间路径表示计算匹配得分训练推荐系统模型；
（6）推荐模块，基于推荐系统模型对用户推送感兴趣的物品信息。
融合知识图谱结构与路径语义的信息推送系统的6个模块的实现和方法中6个步骤的实现方法相同，不再赘述。
显然，本领域的技术人员应该明白，上述的本发明实施例的融合知识图谱结构与路径语义的信息推送方法各步骤或融合知识图谱结构与路径语义的信息推送系统各模块可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。
Claims (10)
1.一种融合知识图谱结构与路径语义的信息推送方法，其特征在于，所述方法涉及两种类型的图结构：用户物品行为图、物品关联知识图谱；所述用户物品行为图为用户和物品两种类型的节点构成的二部图，用户和物品之间存在不同的行为边；所述物品关联知识图谱是通过物品的属性和属性名称的描述信息构建的图结构，包括物品节点和属性节点；
信息推送方法包括如下六个步骤：
（1）基于用户物品行为图和物品关联知识图谱构建融合图；
（2）将异构节点表示映射到统一语义空间；
（3）使用图神经网络对融合图中的行为子图和物品子图逐层交替更新；
（4）对用户和物品节点之间游走采样得到路径集合并加权融合生成路径表示；
（5）联合用户和物品节点表示及其二者间路径表示计算匹配得分训练推荐系统模型；
（6）基于推荐系统模型对用户推送感兴趣的物品信息。
2.根据权利要求1所述的融合知识图谱结构与路径语义的信息推送方法，其特征在于，所述基于用户物品行为图和物品关联知识图谱构建融合图中，将当前推送场景下的用户物品行为数据根据物品名称与物品关联知识图谱对齐，构建包含用户与物品的行为信息和物品关联的异构图结构；所述融合图中包括用户节点、物品节点和属性节点，融合图中节点之间的连接边信息为关系集合，关系集合表示节点之间的相互作用类型，具体包括行为关系以及物品与属性间关系；所述融合图包括行为子图和物品子图。
3.根据权利要求1所述的融合知识图谱结构与路径语义的信息推送方法，其特征在于，所述将异构节点表示映射到统一语义空间中，对输入异构类型节点各自经过线性神经网络，在网络中使用不同的权重矩阵将用户、物品和属性节点的初始化特征进行映射，将节点的特征维度进行统一，得到统一后的用户、物品和属性节点特征。
4.根据权利要求1所述的融合知识图谱结构与路径语义的信息推送方法，其特征在于，所述使用图神经网络对融合图中的行为子图和物品子图逐层交替更新中，旨在于学习融合图中两种类型子图的一致性和互补性，包括以下步骤：
步骤301，构建L层图神经网络用于训练，随机初始化网络参数，将前述中统一后的用户、物品和属性节点特征输入到图神经网络中；
步骤302，在第l层中通过聚合物品子图中物品和属性节点在l-1层物品子图中的近邻节点信息更新物品和属性节点表示；
步骤303，使用步骤302中得到的第l层物品节点信息更新行为子图中的用户节点表示，同时根据l-1层行为子图中的节点进一步更新第l层的物品节点表示；
步骤304，重复步骤302和步骤303，逐层交替更新至第L层图神经网络；
步骤305，将用户和物品节点在图神经网络中每层行为子图中的向量表示拼接，得到用户和物品的最终表示，同时在物品子图中使用同样的方法得到属性的最终表示。
5.根据权利要求1所述的融合知识图谱结构与路径语义的信息推送方法，其特征在于，所述对用户和物品节点之间游走采样得到路径集合并加权融合生成路径表示，包括以下步骤：
步骤401，分别选取一个用户节点和物品节点；
步骤402，在融合图中从用户节点到物品节点进行随机游走得到包含用户、物品和属性节点的路径集合，使用图神经网络中节点的最终表示作为路径中的元素特征；
步骤403，利用自注意力编码器Transformer对于每条路径中元素特征进行编码，并通过平均池化操作得到每条路径的表示；
步骤404，使用注意力加权融合步骤402中得到的路径集合中每条路径的向量，得到最终的路径表示。
6.根据权利要求1所述的融合知识图谱结构与路径语义的信息推送方法，其特征在于，所述联合用户和物品节点表示及其二者间路径表示计算匹配得分训练模型包括以下步骤：
步骤501，从用户物品行为图中随机抽取一个用户节点，选取一个与该用户关联的物品节点作为正样本，同时在物品集中选取一个与该用户没有关联的物品节点作为负样本；
步骤502，将用户节点表示和正样本物品节点表示以及两节点之间的路径表示拼接经过线性神经网络预测匹配打分，对用户节点和负样本节点计算匹配打分；
步骤503，通过损失函数计算正负样本打分损失；
步骤504，设定训练轮次，重复步骤501到步骤503，使用损失函数拉开正负样本之间的距离训练推荐系统模型。
7.根据权利要求1所述的融合知识图谱结构与路径语义的信息推送方法，其特征在于，所述基于推荐系统模型对用户推送感兴趣的物品信息中，将用户集合中的用户数据和待推送物品集合中的物品信息两两输入到推荐系统模型中得到一系列打分，选取打分高的物品信息推送给用户的客户端。
8.一种融合知识图谱结构与路径语义的信息推送系统，其特征在于，所述系统涉及两种类型的图结构：用户物品行为图、物品关联知识图谱；所述用户物品行为图为用户和物品两种类型的节点构成的二部图，用户和物品之间存在不同的行为边；所述物品关联知识图谱是通过物品的属性和属性名称的描述信息构建的图结构，包括物品节点和属性节点；
信息推送系统包括如下六个模块：
（1）构建融合图模块，基于用户物品行为图和物品关联知识图谱构建融合图；
（2）统一语义空间模块，将异构节点表示映射到统一语义空间；
（3）更新模块，使用图神经网络对融合图中的行为子图和物品子图逐层交替更新；
（4）路径表示模块，对用户和物品节点之间游走采样得到路径集合并加权融合生成路径表示；
（5）推荐系统模型训练模块，联合用户和物品节点表示及其二者间路径表示计算匹配得分训练推荐系统模型；
（6）推荐模块，基于推荐系统模型对用户推送感兴趣的物品信息。
9.一种计算机设备，其特征在于：该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如权利要求1-7中任一项所述的融合知识图谱结构与路径语义的信息推送方法。
10.一种计算机可读存储介质，其特征在于：该计算机可读存储介质存储有执行如权利要求1-7中任一项所述的融合知识图谱结构与路径语义的信息推送方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210184063.1A CN114265986B (zh) | 2022-02-28 | 2022-02-28 | 一种融合知识图谱结构与路径语义的信息推送方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210184063.1A CN114265986B (zh) | 2022-02-28 | 2022-02-28 | 一种融合知识图谱结构与路径语义的信息推送方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114265986A true CN114265986A (zh) | 2022-04-01 |
| CN114265986B CN114265986B (zh) | 2022-07-12 |
Family
ID=80833640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210184063.1A Active CN114265986B (zh) | 2022-02-28 | 2022-02-28 | 一种融合知识图谱结构与路径语义的信息推送方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114265986B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114637888A (zh) * | 2022-05-18 | 2022-06-17 | 深圳市华曦达科技股份有限公司 | 一种视频推送方法及装置 |
| CN114936328A (zh) * | 2022-04-22 | 2022-08-23 | 北京工业大学 | 一种基于Transformer模型的图卷积兴趣解耦方法 |
| CN115049161A (zh) * | 2022-08-12 | 2022-09-13 | 深圳市深信信息技术有限公司 | 基于云计算的智能农贸市场管理方法及处理器 |
| CN115983379A (zh) * | 2023-03-20 | 2023-04-18 | 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) | Mdata知识图谱的可达路径查询方法及其系统 |
| CN117150150A (zh) * | 2023-10-31 | 2023-12-01 | 中国科学技术大学 | 一种基于图信号处理的群体推荐方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112417306A (zh) * | 2020-12-10 | 2021-02-26 | 北京工业大学 | 基于知识图谱的推荐算法性能优化的方法 |
| CN113158033A (zh) * | 2021-03-19 | 2021-07-23 | 浙江工业大学 | 一种基于知识图谱偏好传播的协同推荐模型构建方法 |
| CN113362131A (zh) * | 2021-06-02 | 2021-09-07 | 合肥工业大学 | 一种融合知识图谱和用户交互的图模型智能商品推荐方法 |
-
2022
- 2022-02-28 CN CN202210184063.1A patent/CN114265986B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112417306A (zh) * | 2020-12-10 | 2021-02-26 | 北京工业大学 | 基于知识图谱的推荐算法性能优化的方法 |
| CN113158033A (zh) * | 2021-03-19 | 2021-07-23 | 浙江工业大学 | 一种基于知识图谱偏好传播的协同推荐模型构建方法 |
| CN113362131A (zh) * | 2021-06-02 | 2021-09-07 | 合肥工业大学 | 一种融合知识图谱和用户交互的图模型智能商品推荐方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114936328A (zh) * | 2022-04-22 | 2022-08-23 | 北京工业大学 | 一种基于Transformer模型的图卷积兴趣解耦方法 |
| CN114637888A (zh) * | 2022-05-18 | 2022-06-17 | 深圳市华曦达科技股份有限公司 | 一种视频推送方法及装置 |
| CN115049161A (zh) * | 2022-08-12 | 2022-09-13 | 深圳市深信信息技术有限公司 | 基于云计算的智能农贸市场管理方法及处理器 |
| CN115983379A (zh) * | 2023-03-20 | 2023-04-18 | 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) | Mdata知识图谱的可达路径查询方法及其系统 |
| CN115983379B (zh) * | 2023-03-20 | 2023-10-10 | 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) | Mdata知识图谱的可达路径查询方法及其系统 |
| CN117150150A (zh) * | 2023-10-31 | 2023-12-01 | 中国科学技术大学 | 一种基于图信号处理的群体推荐方法 |
| CN117150150B (zh) * | 2023-10-31 | 2024-02-09 | 中国科学技术大学 | 一种基于图信号处理的群体推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114265986B (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114265986B (zh) | 一种融合知识图谱结构与路径语义的信息推送方法和系统 | |
| CN111737535B (zh) | 一种基于元结构和图神经网络的网络表征学习方法 | |
| CN110910218B (zh) | 一种基于深度学习的多行为迁移推荐方法 | |
| CN111159425A (zh) | 一种基于历史关系和双图卷积网络的时态知识图谱表示方法 | |
| CN112613602A (zh) | 基于知识感知超图神经网络的推荐方法及系统 | |
| CN111563192B (zh) | 实体对齐方法、装置、电子设备及存储介质 | |
| CN113095948B (zh) | 一种基于图神经网络的多源异构网络用户对齐方法 | |
| CN111881350A (zh) | 一种基于混合图结构化建模的推荐方法与系统 | |
| CN114817663B (zh) | 一种基于类别感知图神经网络的服务建模与推荐方法 | |
| CN113378048B (zh) | 一种基于多视角知识图谱注意力网络的个性化推荐方法 | |
| CN111967972A (zh) | 理财产品推荐方法及装置 | |
| CN111949885B (zh) | 一种面向旅游景点的个性化推荐方法 | |
| CN112632296B (zh) | 基于知识图谱具有可解释性的论文推荐方法及系统、终端 | |
| CN113240086B (zh) | 一种复杂网络链接预测方法及系统 | |
| CN113486190A (zh) | 一种融合实体图像信息和实体类别信息的多模态知识表示方法 | |
| CN115221413B (zh) | 一种基于交互式图注意力网络的序列推荐方法及系统 | |
| CN115270007A (zh) | 一种基于混合图神经网络的poi推荐方法及系统 | |
| CN115687760A (zh) | 一种基于图神经网络的用户学习兴趣标签预测方法 | |
| CN115858919A (zh) | 基于项目领域知识和用户评论的学习资源推荐方法及系统 | |
| Zhou et al. | Betweenness centrality-based community adaptive network representation for link prediction | |
| CN114676315A (zh) | 基于增强图卷积的属性融合交互推荐模型构建方法及系统 | |
| Zhang et al. | Knowledge graph driven recommendation model of graph neural network | |
| CN117251586A (zh) | 多媒体资源推荐方法、装置及存储介质 | |
| CN115391555A (zh) | 一种用户感知的知识图谱推荐系统及方法 | |
| CN113744023A (zh) | 一种基于图卷积网络的双通道协同过滤推荐方法 |
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 |