CN114637857A - 一种基于去噪的知识感知图卷积网络推荐方法 - Google Patents

一种基于去噪的知识感知图卷积网络推荐方法 Download PDF

Info

Publication number
CN114637857A
CN114637857A CN202210266896.2A CN202210266896A CN114637857A CN 114637857 A CN114637857 A CN 114637857A CN 202210266896 A CN202210266896 A CN 202210266896A CN 114637857 A CN114637857 A CN 114637857A
Authority
CN
China
Prior art keywords
vector representation
entity
user
belonging
recommendation
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
CN202210266896.2A
Other languages
English (en)
Inventor
王利娥
张瀚文
李先贤
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.)
Guangxi Normal University
Original Assignee
Guangxi Normal University
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 Guangxi Normal University filed Critical Guangxi Normal University
Priority to CN202210266896.2A priority Critical patent/CN114637857A/zh
Publication of CN114637857A publication Critical patent/CN114637857A/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
    • G06F16/30—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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

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

本发明公开一种基于去噪的知识感知图卷积网络推荐方法，利用了知识图谱实体间丰富的关系信息，实现对用户偏好的建模，为了明确邻居实体是否是无法反映用户偏好的噪声，计算用户偏好与邻居实体的相似度得分，该得分反应了该实体是否是噪声的置信度，将该得分归一化后作为图卷积网络下聚合实体的邻居信息时的权重，从而在充分利用知识图谱的高阶结构信息时，破坏噪声信息的传播，从而增强推荐性能。

Description

一种基于去噪的知识感知图卷积网络推荐方法
技术领域
本发明涉及个性化推荐技术领域，具体涉及一种基于去噪的知识感知图卷积网络推荐方法。
背景技术
随着互联网的快速发展，数据信息呈爆炸式增长。面对如此庞大的数据，人们真正想要的信息淹没在了信息的海洋中。推荐系统通过捕捉用户与项目的历史交互记录，挖掘用户的兴趣偏好，能够主动为用户提供其感兴趣的内容。基于协同过滤的推荐利用来自交互数据的用户或项目的相似性来建模用户偏好，并且已经得到了广泛的应用。然而，基于协同过滤的推荐算法存在稀疏性和冷启动的问题，很大程度上影响着推荐效果。
为了解决这些问题，人们通过引入项目属性、项目评论、社交网络等辅助信息来获得更好的推荐性能。知识图谱以结构化的形式描述客观世界中概念、实体及其关系，提供了大量的语义信息。通过将知识图谱作为辅助信息引入到推荐系统中，可以很好地提高推荐效果并增强推荐的可解释性。现有的结合知识图谱的推荐方法中，常用的基于表示学习的算法大多独立地处理知识图谱中的三元组(头实体，关系，尾实体)，未能引入多跳关系，忽略了三元组周围本地邻居中的隐藏信息。基于路径的推荐算法利用知识图谱多跳知识，有效利用知识图谱的语义网络信息，但实施较为复杂，一般需要人工定义和选取元路径。
最近，开发基于图神经网络的端到端模型成为一种趋势，其关键思想是利用信息聚合方案，它可以有效地将多跳邻居集成到向量表示中。得益于结构性建模和表示学习的集成，这些基于图神经网络的模型实现了很好的推荐性能。但值得注意的是，在推荐场景中，用户基于自身的偏好选择项目，因此使用图神经网络聚合知识图谱中的信息时，有些可能是无法反映用户偏好的噪音信息。现有研究根据用户-关系的相关性或实体之间的相关性分配不同的权重，然而，这些方法没有明确建模用户偏好和提出去除噪声的重要性，未能细腻度地表现出用户偏好与实体的相关性，导致表示和性能欠缺。这意味着盲目聚合邻域信息将引入更多噪声，从而使推荐性能受到负面影响。
发明内容
本发明所要解决的是现有基于知识图谱的图神经网络推荐方法在聚合实体的邻域信息时会引入噪声而使推荐性能受到负面影响的问题，提供一种基于去噪的知识感知图卷积网络推荐方法。
为解决上述问题，本发明是通过以下技术方案实现的：
一种基于去噪的知识感知图卷积网络推荐方法，包括步骤如下：
步骤1、采集用户的历史数据，并找出历史数据中所有用户交互过的项目，并将项目与知识图谱中的实体对齐；将用户ID、以及知识图谱中的实体ID和关系ID送入嵌入层，得到用户的初始嵌入向量表示、实体的初始嵌入向量表示和关系的初始嵌入向量表示；
步骤2、利用注意力机制，先计算用户对单个交互过的项目的偏好向量表示，再计算用户对所有交互过的项目的偏好向量表示，即用户偏好向量表示；
Figure BDA0003552206420000021
Figure BDA0003552206420000022
步骤3、通过噪声识别操作计算用户偏好向量表示和邻居实体向量表示之间的相似度得分并归一化，归一化后的相似度得分用于控制图卷积网络中每个属于推荐类型的实体的邻居信息传递，破坏噪声信息的传播，得到每个属于推荐类型的实体的初始邻居结构向量表示；
Figure BDA0003552206420000023
步骤4、通过图卷积运算捕捉知识图谱中每个属于推荐类型的实体的邻居结构信息，聚合每个属于推荐类型的实体的初始嵌入向量表示与每个属于推荐类型的实体的初始邻居结构向量表示，得到属于推荐类型的实体的一阶向量表示，通过堆叠多层图卷积，以收集来自高阶邻居的影响信号，获得更多与推荐类型实体有关的信息，得到每个属于推荐类型的实体的各阶嵌入向量表示；
Figure BDA0003552206420000024
步骤5、通过图卷积运算聚合用户偏好向量表示与用户交互过的每个项目即实体的向量表示，通过堆叠多层图卷积，以更深入的方式挖掘用户的潜在兴趣，得到用户的各阶嵌入向量表示；
Figure BDA0003552206420000025
步骤6、将用户的0～L阶嵌入向量表示进行拼接，得到用户的最终向量表示；同时将属于推荐类型的实体的0～L阶嵌入向量表示进行拼接，得到属于推荐类型的实体的最终向量表示；
步骤7、将用户的最终向量表示与每个属于推荐类型的实体的最终向量表示的内积作为用户对实体的评分，并将评分排在前k位的实体推荐给用户；其中k为设定值；
上述式中，eu表示用户u的初始嵌入向量表示，
Figure BDA0003552206420000031
表示与用户交互过的项目pj有关的关系
Figure BDA0003552206420000032
的初始嵌入向量表示，
Figure BDA0003552206420000033
表示用户对单个交互过的项目pj的偏好向量表示，
Figure BDA0003552206420000034
表示用户偏好向量表示，
Figure BDA0003552206420000035
表示与用户交互过的项目pj有关的关系
Figure BDA0003552206420000036
的集合，Nu是用户交互过的项目的集合；et表示属于推荐类型的实体h的邻居实体t的初始嵌入向量表示，
Figure BDA0003552206420000037
表示属于推荐类型的实体h的初始邻居结构向量表示，Nh表示属于推荐类型的实体h的邻居实体t的集合；
Figure BDA0003552206420000038
表示属于推荐类型的实体h的l阶嵌入向量表示，
Figure BDA0003552206420000039
表示属于推荐类型的实体h的l-1阶嵌入向量表示，
Figure BDA00035522064200000310
表示属于推荐类型的实体h的l-1阶邻居结构向量表示，l＝0,1,…,L，L为图卷积的层数，f表示聚合函数；
Figure BDA00035522064200000311
表示用户u的l阶嵌入向量表示，|Nu|表示用户交互过的项目的数量，⊙表示哈达玛积；上标T表示转置。
上述步骤4中，聚合函数f为：
Figure BDA00035522064200000312
式中，
Figure BDA00035522064200000313
表示属于推荐类型的实体h的l阶嵌入向量表示，
Figure BDA00035522064200000314
表示属于推荐类型的实体h的l-1阶嵌入向量表示，
Figure BDA00035522064200000315
表示属于推荐类型的实体h的l-1阶邻居结构向量表示，W表示图卷积网络的权重参数，b表示图卷积网络的偏置参数，l＝0,1,…,L，L为图卷积的层数。
上述方法中，属于推荐类型的实体h的0阶嵌入向量表示
Figure BDA00035522064200000316
即为属于推荐类型的实体h的初始嵌入向量表示eh；属于推荐类型的实体h的0阶邻居结构向量表示
Figure BDA00035522064200000317
即为属于推荐类型的实体h的初始邻居结构向量表示
Figure BDA00035522064200000318
用户u的0阶嵌入向量表示
Figure BDA00035522064200000319
即为用户u的初始嵌入向量表示eu。
与现有技术相比，本发明利用了知识图谱实体间丰富的关系信息，实现对用户偏好的建模，为了明确邻居实体是否是无法反映用户偏好的噪声，计算用户偏好与邻居实体的相似度得分，该得分反应了该实体是否是噪声的置信度，将该得分归一化后作为图卷积网络下聚合实体的邻居信息时的权重，从而在充分利用知识图谱的高阶结构信息时，破坏噪声信息的传播，从而增强推荐性能。
附图说明
图1为一种基于去噪的知识感知图卷积网络推荐方法的模型框架图。
图2为电影推荐领域的知识图谱的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，对本发明进一步详细说明。
参见图1，一种基于去噪的知识感知图卷积网络推荐方法，其具体实现过程如下：
步骤1、采集用户的历史数据，并找出历史数据中所有用户交互过的项目，并将项目与给定的知识图谱中的实体对齐。将用户ID、以及知识图谱中的实体ID和关系ID送入嵌入层，得到用户的初始嵌入向量表示、实体的初始嵌入向量表示和关系的初始嵌入向量表示。
知识图谱是一种基于图的数据结构，由节点(point)和边(Edge)组成，每个节点表示一个“实体”，每条边为实体与实体之间的“关系”，知识图谱本质上是语义网络。实体指的可以是现实世界中的事物，比如人、地名、公司、电话、动物等；关系则用来表达不同实体之间的某种联系。
如图2所示，在电影推荐领域，其知识图谱中的实体包括电影名称、导演名称、演员名称、题材名称等，关系包括导演、主演、题材等。用户交互过的项目即看过的电影为“阿甘正传”，用户交互过的项目“阿甘正传”与知识图谱中的实体“阿甘正传”对齐。在知识图谱中，与实体“阿甘正传”有关的实体包括“汤姆·汉克斯”、“罗伯特·泽梅基斯”和“励志片”等，头实体“汤姆·汉克斯”与尾实体“阿甘正传”之间的关系为“主演”，头实体“罗伯特·泽梅基斯”与尾实体“阿甘正传”之间的关系为“导演”，头实体“阿甘正传”与尾实体“励志片”之间的关系为题材。
使用词嵌入的方式可将ID转变成向量，将输入数据如用户ID、实体ID、关系ID转换成one-hot格式的向量，one-hot向量和嵌入层的权重进行矩阵相乘分别得到用户的初始嵌入向量表示、实体的初始嵌入向量表示和关系的初始嵌入向量表示。
步骤2、利用注意力机制，先计算用户对单个交互过的项目的偏好向量表示
Figure BDA0003552206420000041
再计算用户对所有交互过的项目的偏好向量表示即用户偏好向量表示
Figure BDA0003552206420000042
1)用户对单个交互过的项目的偏好向量表示
Figure BDA0003552206420000043
用户基于自身偏好交互某个项目即实体，该实体连接的关系可以看作用户交互该实体的偏好。例如，用户选择观看“阿甘正传”，该“阿甘正传”便是用户交互过的项目。根据知识图谱有三元组(罗伯特·泽梅基斯，导演，阿甘正传)，即(头实体，关系，尾实体)，可以将用户选择的原因归结于导演罗伯特·泽梅基斯，即关系“导演”为用户的偏好。
由于实体可能有多个关系连接，每个关系对用户的重要程度各不相同，因此可以使用注意力机制计算关系对用户的重要性，并为每个关系分配不同注意力权重
Figure BDA0003552206420000044
Figure BDA0003552206420000051
式中，eu表示用户u的初始嵌入向量表示，
Figure BDA0003552206420000052
表示与用户交互过的项目pj有关的关系
Figure BDA0003552206420000053
的初始嵌入向量表示，
Figure BDA0003552206420000054
表示与用户交互过的项目pj有关的关系
Figure BDA0003552206420000055
的集合。与用户交互过的项目pj有关的关系包括以用户交互过的项目pj作为头实体的所有关系和以用户交互过的项目pj作为尾实体的所有关系。
对与用户交互过的项目pj有关的关系
Figure BDA0003552206420000056
进行加权求和，得到用户对单个交互过的项目的偏好向量表示
Figure BDA0003552206420000057
Figure BDA0003552206420000058
2)用户对所有交互过的项目的偏好向量表示
Figure BDA0003552206420000059
由于用户交互的项目往往不止一个，用户具有多种偏好，因此使用注意力机制计算每个偏好对用户的重要性，并为每个偏好分配不同注意力权重β(u,pj)：
Figure BDA00035522064200000510
其中，eu表示用户u的初始嵌入向量表示，
Figure BDA00035522064200000511
表示用户对单个交互过的项目pj的偏好向量表示，Nu是用户交互过的项目的集合。
将用户对所有交互过的项目即将用户对实体pj的偏好向量表示进行加权求和，得到用户对所有交互过的项目的偏好向量表示，即用户偏好向量表示
Figure BDA00035522064200000512
Figure BDA00035522064200000513
步骤3、通过噪声识别操作计算用户偏好向量表示和邻居实体向量表示之间的相似度得分并归一化，归一化后的相似度得分用于控制图卷积网络中每个属于推荐类型的实体的邻居信息传递，破坏噪声信息的传播，得到每个属于推荐类型的实体的初始邻居结构向量表示
Figure BDA00035522064200000514
给定的知识图谱中，包括属于推荐类型的实体和不属于推荐类型的实体。如在电影推荐领域，电影名称如“阿甘正传”、“回到未来”、“荒岛余生”等属于推荐类型的实体，而导演名称如“罗伯特·泽梅基斯”、以及演员名称“汤姆·汉克斯”等不属于推荐类型的实体。在进行推荐时，仅考虑的是属于推荐类型的实体，而不考虑不属于推荐类型的实体。
在基于知识图谱的推荐中，图卷积网络用于捕捉知识图谱中实体之间的高阶结构并聚合邻居信息，图卷积聚合知识图谱中属于推荐类型的实体的邻居信息时，邻居信息并不一定都能反应用户偏好，因此噪声信息存在于属于推荐类型的实体h的邻居实体t中，邻居实体t指的是与属于推荐类型的实体h相连接的实体。
为了识别噪声，计算用户偏好和邻居实体之间的相似度得分，以测量邻居实体是噪声的置信度。其中用户偏好p和邻居实体t之间的相似度得分
Figure BDA0003552206420000061
为：
Figure BDA0003552206420000062
式中，et表示属于推荐类型的实体h的邻居实体t的初始嵌入向量表示。
将用户偏好p和邻居实体t之间的相似度得分的
Figure BDA0003552206420000063
做归一化操作，得到用户偏好和邻居实体之间的相似度的归一化得分s(p,t)：
Figure BDA0003552206420000064
式中，Nh表示属于推荐类型的实体h的邻居实体t的集合
图卷积网络在执行信息的传递时，通过上述噪声识别操作将用户偏好和邻居实体之间的相似度的归一化得分s(p,t)用于控制邻居信息的传递，破坏噪声信息的传播，得到每个属于推荐类型的实体的初始邻居结构向量表示
Figure BDA0003552206420000065
Figure BDA0003552206420000066
式中，
Figure BDA0003552206420000067
表示属于推荐类型的实体h的初始邻居结构向量表示，et表示属于推荐类型的实体h的邻居实体t的初始嵌入向量表示，Nh表示属于推荐类型的实体h的邻居实体t的集合。
步骤4、通过图卷积运算捕捉知识图谱中每个属于推荐类型的实体的邻居结构信息，聚合每个属于推荐类型的实体的初始嵌入向量表示与每个属于推荐类型的实体的初始邻居结构向量表示，得到属于推荐类型的实体的一阶向量表示，通过堆叠多层图卷积，以收集来自高阶邻居的影响信号，获得更多与推荐类型实体有关的信息，得到每个属于推荐类型的实体的各阶嵌入向量表示。
将每个属于推荐类型的实体的初始嵌入向量表示传播到其相邻实体，得到一阶实体向量表示，然后可以重复这个过程，即进一步传播和聚合l-1阶向量表示，以获得l阶向量表示。
经过单个图卷积层，属于推荐类型的实体的最终向量表示依赖于它自己和它的邻居，将属于推荐类型的实体的初始嵌入向量表示传播到其相邻实体且聚合为属于推荐类型的实体的一阶向量表示
Figure BDA0003552206420000068
Figure BDA0003552206420000069
其中，属于推荐类型的实体h的0阶嵌入向量表示
Figure BDA00035522064200000610
即为属于推荐类型的实体h的初始嵌入向量表示eh；属于推荐类型的实体h的0阶邻居结构向量表示
Figure BDA00035522064200000611
即为属于推荐类型的实体h的初始邻居结构向量表示
Figure BDA00035522064200000612
f是聚合函数，即取两个向量表示之和，然后进行非线性变换，f可表示为：
Figure BDA0003552206420000071
其中，ReLU是激活函数，W是图卷积网络的权重参数，b是图卷积网络的偏置参数。
通过运行堆叠多个图卷积层，同样利用噪声识别操作控制邻居信息的传递，在破坏噪声信息的传播以实现去噪的同时，捕捉并聚合高阶信息以获得高阶的属于推荐类型的实体向量表示
Figure BDA0003552206420000072
Figure BDA0003552206420000073
其中，l是当前聚合迭代次数，l＝0,1,…,L，L为图卷积的层数。
步骤5、通过图卷积运算聚合用户的偏好向量表示与用户交互过的每个项目即实体的向量表示，通过堆叠多层图卷积，以更深入的方式挖掘用户的潜在兴趣，得到用户的各阶嵌入向量表示。
在本发明中，用户交互过的项目即实体一定是属于推荐类型的实体。为了收集能够反应用户偏好的更多信息，通过图卷积运算聚合用户偏好向量表示和用户交互的实体向量表示，通过堆叠多层图卷积，以获得用户的向量表示
Figure BDA0003552206420000074
Figure BDA0003552206420000075
其中，⊙是哈达玛积，Nu是用户交互的实体集合，|Nu|是集合中实体的数量，
Figure BDA0003552206420000076
表示用户偏好向量表示，用户u的0阶嵌入向量表示
Figure BDA0003552206420000077
即为用户u的初始嵌入向量表示eu。
步骤6、将用户的各阶嵌入向量表示进行拼接，得到用户的最终向量表示
Figure BDA0003552206420000078
同时将属于推荐类型的实体的各阶嵌入向量表示进行拼接，得到属于推荐类型的实体的最终向量表示
Figure BDA0003552206420000079
在堆叠l层图卷积层后，获得属于推荐类型的实体在不同层的向量表示，不同层的输出向量表示不同层的连接信息，采用连接操作将每一层的向量表示连接成一个向量，不仅可以通过执行嵌入传播操作来丰富初始嵌入，还可以通过调整层数来控制传播的强度。
用户的最终向量表示
Figure BDA00035522064200000710
为：
Figure BDA00035522064200000711
属于推荐类型的实体的最终向量表示
Figure BDA00035522064200000712
为：
Figure BDA00035522064200000713
其中，||为连接操作。
步骤7、将用户的最终向量表示与每个属于推荐类型的实体的最终向量表示的内积作为用户对实体的评分
Figure BDA00035522064200000714
并将评分排在前k位的实体推荐给用户。
计算用户向量表示和实体向量表示的内积，从而预测用户交互该实体的概率：
Figure BDA0003552206420000081
其中，
Figure BDA0003552206420000082
为用户的最终向量表示，
Figure BDA0003552206420000083
为属于推荐类型的实体的最终向量表示。
本发明提供了一种基于去噪的知识感知图卷积网络推荐方法，明确提出了对用户偏好的建模和消除聚合过程中的噪声信息。根据用户的历史交互信息，利用知识图谱实体间丰富的关系信息，捕捉用户偏好的向量表示。为了识别无法反应用户偏好的噪声，计算用户偏好和相应邻居实体之间的相似度得分，以测量邻居实体是否是噪声的置信度。堆叠多个图卷积层，利用归一化的相似度得分控制邻居信息的传递，在获得更丰富嵌入的同时，破坏噪声信息的传播，从而实现更好的推荐效果。本发明的技术优点在于明确提出了在图卷积网络方法下的知识图谱推荐场景中，对用户偏好建模和对知识图谱中邻居实体去噪的重要性，并且实现了在实体信息传递的聚合过程中对噪声信息的识别，破坏其噪声信息的传播，从而提高推荐性能。
需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。

Claims (3)

1.一种基于去噪的知识感知图卷积网络推荐方法，其特征是，包括步骤如下：
步骤1、采集用户的历史数据，并找出历史数据中所有用户交互过的项目，并将项目与知识图谱中的实体对齐；将用户ID、以及知识图谱中的实体ID和关系ID送入嵌入层，得到用户的初始嵌入向量表示、实体的初始嵌入向量表示和关系的初始嵌入向量表示；
步骤2、利用注意力机制，先计算用户对单个交互过的项目的偏好向量表示，再计算用户对所有交互过的项目的偏好向量表示，即用户偏好向量表示；
Figure FDA0003552206410000011
Figure FDA0003552206410000012
步骤3、通过噪声识别操作计算用户偏好向量表示和邻居实体向量表示之间的相似度得分并归一化，归一化后的相似度得分用于控制图卷积网络中每个属于推荐类型的实体的邻居信息传递，破坏噪声信息的传播，得到每个属于推荐类型的实体的初始邻居结构向量表示；
Figure FDA0003552206410000013
步骤4、通过图卷积运算捕捉知识图谱中每个属于推荐类型的实体的邻居结构信息，聚合每个属于推荐类型的实体的初始嵌入向量表示与每个属于推荐类型的实体的初始邻居结构向量表示，得到属于推荐类型的实体的一阶向量表示，通过堆叠多层图卷积，以收集来自高阶邻居的影响信号，获得更多与推荐类型实体有关的信息，得到每个属于推荐类型的实体的各阶嵌入向量表示；
Figure FDA0003552206410000014
步骤5、通过图卷积运算聚合用户偏好向量表示与用户交互过的每个项目即实体的向量表示，通过堆叠多层图卷积，以更深入的方式挖掘用户的潜在兴趣，得到用户的各阶嵌入向量表示；
Figure FDA0003552206410000015
步骤6、将用户的0～L阶嵌入向量表示进行拼接，得到用户的最终向量表示；同时将属于推荐类型的实体的0～L阶嵌入向量表示进行拼接，得到属于推荐类型的实体的最终向量表示；
步骤7、将用户的最终向量表示与每个属于推荐类型的实体的最终向量表示的内积作为用户对实体的评分，并将评分排在前k位的实体推荐给用户；其中k为设定值；
上述式中，eu表示用户u的初始嵌入向量表示，
Figure FDA0003552206410000021
表示与用户交互过的项目pj有关的关系
Figure FDA0003552206410000022
的初始嵌入向量表示，
Figure FDA0003552206410000023
表示用户对单个交互过的项目pj的偏好向量表示，
Figure FDA0003552206410000024
表示用户偏好向量表示，
Figure FDA0003552206410000025
表示与用户交互过的项目pj有关的关系
Figure FDA0003552206410000026
的集合，Nu是用户交互过的项目的集合；et表示属于推荐类型的实体h的邻居实体t的初始嵌入向量表示，
Figure FDA0003552206410000027
表示属于推荐类型的实体h的初始邻居结构向量表示，Nh表示属于推荐类型的实体h的邻居实体t的集合；
Figure FDA0003552206410000028
表示属于推荐类型的实体h的l阶嵌入向量表示，
Figure FDA0003552206410000029
表示属于推荐类型的实体h的l-1阶嵌入向量表示，
Figure FDA00035522064100000210
表示属于推荐类型的实体h的l-1阶邻居结构向量表示，l＝0,1,…,L，L为图卷积的层数，f表示聚合函数；
Figure FDA00035522064100000211
表示用户u的l阶嵌入向量表示，|Nu|表示用户交互过的项目的数量，⊙表示哈达玛积；上标T表示转置。
2.根据权利要求1所述的一种基于去噪的知识感知图卷积网络推荐方法，其特征是，步骤4中，聚合函数f为：
Figure FDA00035522064100000212
式中，
Figure FDA00035522064100000213
表示属于推荐类型的实体h的l阶嵌入向量表示，
Figure FDA00035522064100000214
表示属于推荐类型的实体h的l-1阶嵌入向量表示，
Figure FDA00035522064100000215
表示属于推荐类型的实体h的l-1阶邻居结构向量表示，W表示图卷积网络的权重参数，b表示图卷积网络的偏置参数，l＝0,1,…,L，L为图卷积的层数。
3.根据权利要求1和2所述的一种基于去噪的知识感知图卷积网络推荐方法，其特征是，属于推荐类型的实体h的0阶嵌入向量表示
Figure FDA00035522064100000216
即为属于推荐类型的实体h的初始嵌入向量表示eh；属于推荐类型的实体h的0阶邻居结构向量表示
Figure FDA00035522064100000217
即为属于推荐类型的实体h的初始邻居结构向量表示
Figure FDA00035522064100000218
用户u的0阶嵌入向量表示
Figure FDA00035522064100000219
即为用户u的初始嵌入向量表示eu。
CN202210266896.2A 2022-03-17 2022-03-17 一种基于去噪的知识感知图卷积网络推荐方法 Pending CN114637857A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210266896.2A CN114637857A (zh) 2022-03-17 2022-03-17 一种基于去噪的知识感知图卷积网络推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210266896.2A CN114637857A (zh) 2022-03-17 2022-03-17 一种基于去噪的知识感知图卷积网络推荐方法

Publications (1)

Publication Number Publication Date
CN114637857A true CN114637857A (zh) 2022-06-17

Family

ID=81950645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210266896.2A Pending CN114637857A (zh) 2022-03-17 2022-03-17 一种基于去噪的知识感知图卷积网络推荐方法

Country Status (1)

Country Link
CN (1) CN114637857A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114861072A (zh) * 2022-07-05 2022-08-05 浙商银行股份有限公司 一种基于层间组合机制的图卷积网络推荐方法及装置
CN115905691A (zh) * 2022-11-11 2023-04-04 云南师范大学 一种基于深度强化学习的偏好感知推荐方法
CN117952724A (zh) * 2024-03-21 2024-04-30 烟台大学 基于知识图谱和神经网络的物品推荐方法、系统和设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114861072A (zh) * 2022-07-05 2022-08-05 浙商银行股份有限公司 一种基于层间组合机制的图卷积网络推荐方法及装置
CN114861072B (zh) * 2022-07-05 2022-11-29 浙商银行股份有限公司 一种基于层间组合机制的图卷积网络推荐方法及装置
CN115905691A (zh) * 2022-11-11 2023-04-04 云南师范大学 一种基于深度强化学习的偏好感知推荐方法
CN117952724A (zh) * 2024-03-21 2024-04-30 烟台大学 基于知识图谱和神经网络的物品推荐方法、系统和设备

Similar Documents

Publication Publication Date Title
Darban et al. GHRS: Graph-based hybrid recommendation system with application to movie recommendation
CN114637857A (zh) 一种基于去噪的知识感知图卷积网络推荐方法
CN112861967A (zh) 基于异构图神经网络的社交网络异常用户检测方法及设备
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
CN113362131A (zh) 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
Deng et al. Knowledge-aware group representation learning for group recommendation
CN110263236B (zh) 基于动态多视图学习模型的社交网络用户多标签分类方法
CN113780470B (zh) 一种基于自适应多通道交叉图卷积网络的图分类方法
CN113268993B (zh) 基于互信息的属性异构信息网络无监督网络表示学习方法
CN112948625B (zh) 一种基于属性异质信息网络嵌入的电影推荐方法
Agarwal et al. Trust-enhanced recommendation of friends in web based social networks using genetic algorithms to learn user preferences
CN114461907B (zh) 一种基于知识图谱的多元环境感知推荐方法及系统
CN112861006A (zh) 融合元路径语义的推荐方法及系统
Alhamdani et al. Recommender system for global terrorist database based on deep learning
CN114329222B (zh) 一种融合注意力机制和双端知识图谱的电影推荐方法
CN115310005A (zh) 基于元路径融合和异构网络的神经网络推荐方法及系统
CN117788122A (zh) 一种基于异质图神经网络商品推荐方法
CN110443574B (zh) 多项目卷积神经网络评审专家推荐方法
CN113342994B (zh) 一种基于无采样协作知识图网络的推荐系统
CN114579852A (zh) 一种基于图卷积网络与注意力机制的推荐方法
Zhou et al. A multi-graph neural group recommendation model with meta-learning and multi-teacher distillation
CN116628341A (zh) 一种基于多类型视图知识对比学习模型的推荐方法
CN116662656A (zh) 一种基于协同增强和图注意力神经网络的电影推荐方法
CN114491055B (zh) 基于知识图谱的推荐方法
CN113744023B (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