CN114780753A - 基于知识图谱的对话推荐方法、装置、设备及存储介质 - Google Patents
基于知识图谱的对话推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114780753A CN114780753A CN202210550595.2A CN202210550595A CN114780753A CN 114780753 A CN114780753 A CN 114780753A CN 202210550595 A CN202210550595 A CN 202210550595A CN 114780753 A CN114780753 A CN 114780753A
- Authority
- CN
- China
- Prior art keywords
- attribute
- target
- candidate
- item
- space
- 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
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/374—Thesaurus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术领域,公开了一种基于知识图谱的对话推荐方法、装置、设备及存储介质,所述方法包括:根据目标用户的当前行为数据集构建目标知识图谱;根据所述目标知识图谱确定所述目标用户的候选属性空间、候选项目空间以及确认喜欢属性;通过属性分数预测模块根据所述确认喜欢属性对所述候选属性空间的候选属性进行计算,得到目标属性;通过项目分数预测模块根据所述确认喜欢属性对所述候选项目空间的候选项目进行预测,得到目标项目;根据所述目标属性所述目标项目与所述目标用户进行对话和推荐,通过上述方式,根据目标属性和目标项目与目标用户进行对话和推荐,能够推荐出更契合用户的属性和项目,进而实现候选项目的动态选择。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及基于知识图谱的对话推荐方法、装置、设备及存储介质。
背景技术
随着个性化推荐技术的不断发展,使得个性化推荐系统在电子商务和短视频社交软件中得到了广泛的应用,但是,当前的个性化推荐系统在一定程度上是基于用户过去的行为,包括:搜索、点击以及购买,这些行为是由用户反馈的,即真实反映用户的偏好,但是用户过去的行为是一种静态推荐,即通过当前的个性化推荐系统难以捕捉到用户的动态和细粒度偏好,同时,也难以区分用户消费行为背后的不同原因,使得最终推荐属性和项目与用户的实际偏好不契合。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于知识图谱的对话推荐方法、装置、设备及存储介质,旨在解决现有技术推荐出的属性和项目与用户不契合的问题。
为实现上述目的,本发明提供了一种基于知识图谱的对话推荐方法,所述基于知识图谱的对话推荐方法包括以下步骤:
根据目标用户的当前行为数据集构建目标知识图谱;
根据所述目标知识图谱确定所述目标用户的候选属性空间、候选项目空间以及确认喜欢属性;
通过属性分数预测模块根据所述确认喜欢属性对所述候选属性空间的候选属性进行计算,得到目标属性;
通过项目分数预测模块根据所述确认喜欢属性对所述候选项目空间的候选项目进行预测,得到目标项目;
根据所述目标属性所述目标项目与所述目标用户进行对话和推荐。
可选地,所述根据所述目标知识图谱确定所述目标用户的候选属性空间、候选项目空间以及确认喜欢属性,包括:
根据所述目标知识图谱得到所述目标用户的喜欢属性数据集字典;
在所述喜欢属性数据集字典中随机选取出初始属性;
根据所述目标用户的确认信息和所述目标知识图谱得到确认喜欢属性;
根据所述喜欢属性数据集字典得到所述初始属性的邻接属性和邻接项目,将所述邻接属性作为候选属性空间,并将所述邻接项目作为候选项目空间。
可选地,所述通过属性分数预测模块根据所述确认喜欢属性对所述候选属性空间的候选属性进行计算,得到目标属性,包括:
根据所述候选属性空间和所述确认喜欢属性构建对应的会话图;
获取目标用户的当前兴趣;
通过目标注意力网络将所述当前兴趣和所述会话图的长期偏好进行融合,得到目标会话嵌入;
根据所述目标会话嵌入和所述确认喜欢属性通过属性分数预测模块对所述候选属性空间的各个候选属性进行计算,得到候选属性分数集合;
根据所述候选属性分数集合在所述各个候选属性筛选出目标属性。
可选地,所述根据所述目标会话嵌入和所述确认喜欢属性通过属性分数预测模块对所述候选属性空间的各个候选属性进行计算,得到候选属性分数集合,包括:
将所述目标会话嵌入与所述候选属性空间的各个候选属性进行点乘计算,得到当前属性计算结果;
根据所述确认喜欢属性通过属性分数预测模块的激活层对所述当前属性计算结果进行计算,得到候选属性分数集合。
可选地,所述项目分数预测模块包括特征识别层和喜欢属性确认层;
所述通过项目分数预测模块根据所述确认喜欢属性对所述候选项目空间的候选项目进行预测,得到目标项目,包括:
根据所述特征识别层对所述候选项目空间的候选项目进行识别,得到对应的特征影响程度;
根据所述喜欢属性确认层和所述确认喜欢属性构建用户潜在向量;
根据所述特征影响程度和所述用户潜在向量对所述候选项目空间的候选项目进行预测,得到目标项目。
可选地,所述根据所述特征影响程度和所述用户潜在向量对所述候选项目空间的候选项目进行预测,得到目标项目,包括:
根据所述特征影响程度确定所述候选项目空间的候选项目的权重;
统计所述候选项目的数量;
根据所述数量和所述用户潜在向量对所述权重进行均值计算,得到特征平均权重;
根据所述特征平均权重和所述候选项目得到目标项目。
可选地,所述根据所述目标属性所述目标项目与所述目标用户进行对话和推荐,包括:
根据自然语言生成模块和目标属性生成目标属性询问语句;
根据所述目标属性询问语句接收到所述目标用户反馈的询问结果,以实现与所述目标用户进行对话;
在所述询问结果为确认喜欢时,将所述目标项目推荐给所述目标用户。
此外,为实现上述目的,本发明还提出一种基于知识图谱的对话推荐装置,所述基于知识图谱的对话推荐装置包括:
构建模块,用于根据目标用户的当前行为数据集构建目标知识图谱;
确定模块,用于根据所述目标知识图谱得到所述目标用户的候选属性空间、候选项目空间以及确认喜欢属性;
计算模块,用于通过属性分数预测模块对所述候选属性空间和所述确认喜欢属性进行计算,得到目标属性;
预测模块,用于通过对目分数预测模块对所述候选项目空间和所述确认喜欢属性进行预测,得到目标项目;
对话推荐模块,用于通过所述目标属性与所述目标用户进行对话,并将所述目标项目推荐给所述目标用。
此外,为实现上述目的,本发明还提出一种基于知识图谱的对话推荐设备,所述基于知识图谱的对话推荐设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于知识图谱的对话推荐程序,所述基于知识图谱的对话推荐程序配置为实现如上文所述的基于知识图谱的对话推荐方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于知识图谱的对话推荐程序,所述基于知识图谱的对话推荐程序被处理器执行时实现如上文所述的基于知识图谱的对话推荐方法。
本发明提出的基于知识图谱的对话推荐方法,根据目标用户的当前行为数据集构建目标知识图谱;根据所述目标知识图谱确定所述目标用户的候选属性空间、候选项目空间以及确认喜欢属性;通过属性分数预测模块根据所述确认喜欢属性对所述候选属性空间的候选属性进行计算,得到目标属性;通过项目分数预测模块根据所述确认喜欢属性对所述候选项目空间的候选项目进行预测,得到目标项目;根据所述目标属性所述目标项目与所述目标用户进行对话和推荐,通过上述方式,根据目标属性和目标项目与目标用户进行对话和推荐,能够推荐出更契合用户的属性和项目,进而实现候选项目的动态选择。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于知识图谱的对话推荐设备的结构示意图;
图2为本发明基于知识图谱的对话推荐方法第一实施例的流程示意图;
图3为本发明基于知识图谱的对话推荐方法一实施例的DeepCPR模型结构示意图;
图4为本发明基于知识图谱的对话推荐方法第二实施例的流程示意图;
图5为本发明基于知识图谱的对话推荐方法第三实施例的流程示意图;
图6为本发明基于知识图谱的对话推荐装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于知识图谱的对话推荐设备结构示意图。
如图1所示,该基于知识图谱的对话推荐设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于知识图谱的对话推荐设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于知识图谱的对话推荐程序。
在图1所示的基于知识图谱的对话推荐设备中,网络接口1004主要用于与网络一体化平台工作站进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明基于知识图谱的对话推荐设备中的处理器1001、存储器1005可以设置在基于知识图谱的对话推荐设备中,所述基于知识图谱的对话推荐设备通过处理器1001调用存储器1005中存储的基于知识图谱的对话推荐程序,并执行本发明实施例提供的基于知识图谱的对话推荐方法。
基于上述硬件结构,提出本发明基于知识图谱的对话推荐方法实施例。
参照图2,图2为本发明基于知识图谱的对话推荐方法第一实施例的流程示意图。
在第一实施例中,所述基于知识图谱的对话推荐方法包括以下步骤:
步骤S10,根据目标用户的当前行为数据集构建目标知识图谱。
需要说明的是,本实施例的执行主体为基于知识图谱的对话推荐设备,还可为其他可实现相同或相似功能的设备,例如基于DeepCPR模型的对话推荐系统等,本实施例对此不作限制,在本实施例中,以智能电视端为例进行说明。
应当理解的是,当前行为数据集指的是目标用户在终端设备上各个行为数据构成的集合,该终端设备可以为电脑、手机以及其他相同或相似功能的电子设备,具体是终端设备上的电子商务或者短视频应用软件,例如,某宝、某音,该当期那行为数据包括搜索、浏览、点击以及购买等。
可以理解的是,目标知识图谱指的是将目标用户、项目以及属性联系起来的知识图谱,主要是以数据挖掘、信息处理、知识计量和图形绘制的方式将目标用户、项目以及属性之间的关系清晰、准确地呈现出来,该目标知识图谱可以为无向图谱,通过节点表示目标用户、项目以及属性,节点之间的连接线表示节点之间的关系。
步骤S20,根据所述目标知识图谱确定所述目标用户的候选属性空间、候选项目空间以及确认喜欢属性。
可以理解的是,候选属性空间指的是与初始属性邻接的属性空间,由于每一段对话都是从一个用户出发,初始属性为目标用户刚开始喜欢的属性,例如,对于喜剧科幻影片来说,初始属性可以为喜剧属性,而邻接属性可以为科幻属性。
应当理解的是,候选项目空间指的是与初始项目邻接的项目空间,该候选项目空间与初始项目的位置相邻,例如,初始项目是位于第一位置,则候选项目位于第二位置,确认喜欢属性指的是目标用户确认喜欢的属性,例如,目标用户喜欢的电影类型为喜剧,则确认喜欢属性为喜剧。
进一步地,步骤S20,包括:根据所述目标知识图谱得到所述目标用户的喜欢属性数据集字典;在所述喜欢属性数据集字典中随机选取出初始属性;根据所述目标用户的确认信息和所述目标知识图谱得到确认喜欢属性;根据所述喜欢属性数据集字典得到所述初始属性的邻接属性和邻接项目,将所述邻接属性作为候选属性空间,并将所述邻接项目作为候选项目空间。
应当理解的是,喜欢属性数据集字典指的是由目标用户喜欢属性构成的数据集字典,在得到喜欢属性数据集字典后,从喜欢属性数据集字典中随机选取一个属性作为目标用户的初始属性,确认信息指的是目标用户反馈给基于DeepCPR模型的对话推荐系统的信息,在接收到确认信息后,表明目标用户喜欢基于DeepCPR模型的对话推荐系统推荐的项目,确认喜欢属性指的是与目标用户的确认信息相对应的属性,在得到初始属性和初始项目后,根据目标知识图谱、初始属性以及初始项目得到候选属性空间和候选项目空间,应当理解的是,参考图3,图3为DeepCPR模型结构示意图,通过该DeepCPR模型能够推荐出与用户相契合的属性和项目,其中,Conversation History为对话历史,user为用户,Attribute为属性,Item为项目,Accepted为已接受,Rejected为已拒绝,Session Graph为会话图,Session Representation Learning为会话表示学习,Ranking为排序,Embedding Table为嵌入表,GNN为图神经网络,AN为注意力网络,LT为学习转换,p1至p8为具体属性,S1至S4为属性嵌入,Sl为会话序列中最后一个属性嵌入,Sh为整个会话的嵌入Softmax为归一化指数函数,y’为每个候选属性的对应的选择概率,Zi为项目i的属性表示,ei为项目i的嵌入,Vi为项目i的融合属性,Eu为用户u,Hu为用户u的上下文,SA为自注意力,qi为项目i的潜在向量,Pu为用户u的潜在向量,为每个候选项目对应的选择概率,Slen为对话长度的状态嵌入,Shis为对话历史的状态嵌入,State为状态,Concatenate为聚合操作,Policy Network为策略网络,Q(s,a)为基于状态s和动作a的期望奖励,aask为询问属性的动作,arec为推荐项目的动作。
步骤S30,通过属性分数预测模块根据所述确认喜欢属性对所述候选属性空间的候选属性进行计算,得到目标属性。
应当理解的是,属性分数预测模块指的是预测与属性相对应的分数的模块,该属性分数预测模块的输入候选属性,输出为候选属性相对应的分数,目标属性为最高分数对应的属性,候选属性空间的候选属性为属性集合,将属性集合中的各个属性分别输入至属性分数预测模块,通过属性分数预测模块对各个属性进行计算,输出各个属性相对应的分数,然后从中选择一个分数最高的属性作为目标属性。
步骤S40,通过项目分数预测模块根据所述确认喜欢属性对所述候选项目空间的候选项目进行预测,得到目标项目。
可以理解的是,项目分数预测模块指的是预测与项目向对应的分数的模块,该项目分数预测模块的输入为候选项目空间,输出为候选项目空间对应的分数,目标项目为最高分数对应的项目,输入至项目分数预测模块的候选项目空间的候选项目为项目集合,将项目集合中的各个项目分别输入至候选项目空间的候选项目进行预测,输出各个项目相对应的分数,然后从中选择一个分数最高的项目作为目标项目。
步骤S50,根据所述目标属性所述目标项目与所述目标用户进行对话和推荐。
应当理解的是,在得到目标属性后,根据目标属性生成对应的目标属性询问语句,通过目标属性询问语句询问目标用户的喜好,从而实现与目标用户之间的对话,然后会将目标项目推荐给目标用户,另外,在推荐项目和询问用户之间,会通过强化学习模块采用决策智能体实现,从而解决多伦决策问题,通过在评估阶段之后,动作阶段会找到何时进行推荐的最佳策略,目的是在更短的轮次内成功推荐目标项目给目标用户。
可以理解的是,通过在强化学习这个模块,只使用了两个动作,即询问属性还是推荐项目,通过上述方式,极大地缩小了动作空间,进而有效提高对话和推荐效率,根据对话的长度和对话历史作为强化学习的状态表示,设置了如下不同的奖赏值:推荐成功、推荐失败、询问成功、询问失败以及停止对话,累积的奖励是这五项的加权总和,通过使用一个两层前馈神经网络作为策略网络,另外,为了便于收敛,使用标准的DeepQ-learning进行优化。
进一步地,步骤S50,包括:根据自然语言生成模块和目标属性生成目标属性询问语句;根据所述目标属性询问语句接收到所述目标用户反馈的询问结果,以实现与所述目标用户进行对话;在所述询问结果为确认喜欢时,将所述目标项目推荐给所述目标用户。
应当理解的是,自然语言生成模块指的是生成与属性相对应的自然语言的模块,为了提高目标用户的识别效率,通过自然语言生成模块将目标属性转换成目标属性询问语句,然后通过目标属性询问语句询问用户,再实时采集用户的询问结果,在询问结果为用户喜欢目标属性时,在知识图谱上更新候选属性和候选项目,将目标属性加入用户确认喜欢的属性集合之中,然后将目标项目推荐给目标用户,否则,将目标属性从候选属性之中删除,具有该属性的项目也从候选项目的集合中删除。
可以理解的是,参考表1,通过表1中数据可知,本实施例的DeepCPR模型推荐出的用户的属性和项目更契合用户,即DeepCPR模型的性能明显优于其他对话推荐系统,例如,Abs Greedy、Max Entropy以及CRM对话推荐系统。
本实施例根据目标用户的当前行为数据集构建目标知识图谱;根据所述目标知识图谱确定所述目标用户的候选属性空间、候选项目空间以及确认喜欢属性;通过属性分数预测模块根据所述确认喜欢属性对所述候选属性空间的候选属性进行计算,得到目标属性;通过项目分数预测模块根据所述确认喜欢属性对所述候选项目空间的候选项目进行预测,得到目标项目;根据所述目标属性所述目标项目与所述目标用户进行对话和推荐,通过上述方式,根据目标属性和目标项目与目标用户进行对话和推荐,能够推荐出更契合用户的属性和项目,进而实现候选项目的动态选择。
在一实施例中,如图4所述,基于第一实施例提出本发明基于知识图谱的对话推荐方法第二实施例,所述步骤S30,包括:
步骤S301,根据所述候选属性空间和所述确认喜欢属性构建对应的会话图。
可以理解的是,会话图指的是各个会话构成的图谱,该各个会话由会话中设计的节点直接表示,具体是在得到候选属性空间和确认喜欢属性后,通过每一个分隔的会话模型构建成会话图,使用神经网络去捕获复杂的属性传播,在捕获完成后,以得到对应的会话图。
步骤S302,获取目标用户的当前兴趣。
应当理解的是,当前兴趣指的是目标用户的当前感兴趣的项目和属性,例如,目标用户喜欢的项目是电影,以及属性是喜剧类型。
步骤S303,通过目标注意力网络将所述当前兴趣和所述会话图的长期偏好进行融合,得到目标会话嵌入。
应当理解的是,目标会话嵌入指的是可以嵌入至对话框或者窗口的会话,在得到当前兴趣后,对当前兴趣和会画图的长期偏好进行线性变换,然后通过目标注意力网络对变换后的当前兴趣和会话图的长期偏好进行融合,以得到目标会话嵌入。
步骤S304,根据所述目标会话嵌入和所述确认喜欢属性通过属性分数预测模块对所述候选属性空间的各个候选属性进行计算,得到候选属性分数集合。
可以理解的是,候选属性分数集合指的是由各个候选属性分数构成的数据集合,在得到目标会话嵌入后,根据目标会话嵌入通过属性分数预测模块对候选属性空间的各个候选属性,得到各个候选属性相对应的候选属性分数,然后基于各个候选属性分数构成候选属性分数集合。
进一步地,步骤S304,包括:将所述目标会话嵌入与所述候选属性空间的各个候选属性进行点乘计算,得到当前属性计算结果;根据所述确认喜欢属性通过属性分数预测模块的激活层对所述当前属性计算结果进行计算,得到候选属性分数集合。
应当理解的是,当前属性计算结果指的是目标会话嵌入与候选属性的点乘计算结果,具体是在得到目标会话嵌入后,将目标会话嵌入与候选属性空间的各个候选属性进行点乘计算,例如,目标会话嵌入为a,候选属性空间的各个候选属性分别为b1、b2以及b3,则当前属性计算结果为a·b1、a·b2以及a·b3,在得到当前属性计算结果后,经过属性分数预测模块的激活层计算出各个候选属性的概率分数,该激活层可以为softmax层。
步骤S305,根据所述候选属性分数集合在所述各个候选属性筛选出目标属性。
应当理解的是,目标属性指的是候选属性分数集合中最高分数对应的属性,在得到候选属性分数后,按照由高到低将候选属性分数进行排序,然后从排序结果中筛选出最高的候选属性分数,再将最高的候选属性分数对应的属性作为目标属性。
本实施例根据所述候选属性空间和所述确认喜欢属性构建对应的会话图;获取目标用户的当前兴趣;通过目标注意力网络将所述当前兴趣和所述会话图的长期偏好进行融合,得到目标会话嵌入;根据所述目标会话嵌入和所述确认喜欢属性通过属性分数预测模块对所述候选属性空间的各个候选属性进行计算,得到候选属性分数集合;根据所述候选属性分数集合在所述各个候选属性筛选出目标属性;通过上述方式,根据候选属性空间和确认喜欢属性构建对应的会话图,然后通过目标注意力网络融合出目标会话嵌入,再通过属性分数预测模块计算出候选属性分数集合,最后从候选属性分数集合中筛选出目标属性,从而能够得到与目标用户相契合的目标属性。
在一实施例中,如图5所述,基于第一实施例提出本发明基于知识图谱的对话推荐方法第三实施例,所述步骤S40,包括:
步骤S401,根据所述特征识别层对所述候选项目空间的候选项目进行识别,得到对应的特征影响程度。
可以理解的是,特征识别层指的是识别候选项目中各个特征的影响程度的分层,该特征识别层为新颖的自注意力层,在得到候选项目空间后,通过特征识别层对候选项目空间的候选项目进行识别,以得到候选项目中特征的影响程度。
步骤S402,根据所述喜欢属性确认层和所述确认喜欢属性构建用户潜在向量。
应当理解的是,喜欢属性确认层指的是指定每个用户之前确认喜欢属性的分层,在得到确认喜欢属性后,通过喜欢属性确认层构建与该确认喜欢属性相对应的向量,将该向量作为目标用户的潜在向量。
步骤S403,根据所述特征影响程度和所述用户潜在向量对所述候选项目空间的候选项目进行预测,得到目标项目。
可以理解的是,在得到特征影响程度和用户潜在向量后,通过特征影响程度和用户潜在向量的结合表示,预测出候选项目空间的各个候选项目相对应的分数,以确定给定用户是否会对候选项目感兴趣,同时共享自我注意重要性权重作为解释因素,然后按照由高到低将预测出的分数进行排序,然后从排序结果中选择最高分数的项目,将最高分数的项目作为目标项目。
进一步地,步骤S403,包括:根据所述特征影响程度确定所述候选项目空间的候选项目的权重;统计所述候选项目的数量;根据所述数量和所述用户潜在向量对所述权重进行均值计算,得到特征平均权重;根据所述特征平均权重和所述候选项目得到目标项目。
应当理解的是,在得到特征影响程度后,根据特征影响程度确定候选项目的权重,该权重与特征影响程度呈正相关,即特征影响程度越高,对应的权重越大,数量指的是候选项目的总个数,在得到候选项目的权重和数量后,在候选项目的所有特征之间进行权重平均化,即对权重进行均值计算,得到特征平均权重,然后根据特征平均权重选择出目标项目。
本实施例根据所述特征识别层对所述候选项目空间的候选项目进行识别,得到对应的特征影响程度;根据所述喜欢属性确认层和所述确认喜欢属性构建用户潜在向量;根据所述特征影响程度和所述用户潜在向量对所述候选项目空间的候选项目进行预测,得到目标项目;通过上述方式,根据特征识别层识别出候选项目对应的特征影响程度,然后通过喜欢属性确认层构建用户潜在向量,再根据特征影响程度和用户潜在向量预测对候选项目进行预测,从而能够有效提高预测目标项目的准确性,进而得到与目标用户相契合的项目。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于知识图谱的对话推荐程序,所述基于知识图谱的对话推荐程序被处理器执行时实现如上文所述的基于知识图谱的对话推荐方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,参照图6,本发明实施例还提出一种基于知识图谱的对话推荐装置,所述基于知识图谱的对话推荐装置包括:
构建模块10,用于根据目标用户的当前行为数据集构建目标知识图谱。
确定模块20,用于根据所述目标知识图谱得到所述目标用户的候选属性空间、候选项目空间以及确认喜欢属性。
计算模块30,用于通过属性分数预测模块对所述候选属性空间和所述确认喜欢属性进行计算,得到目标属性。
预测模块40,用于通过对目分数预测模块对所述候选项目空间和所述确认喜欢属性进行预测,得到目标项目。
对话推荐模块50,用于通过所述目标属性与所述目标用户进行对话,并将所述目标项目推荐给所述目标用户。
本实施例根据目标用户的当前行为数据集构建目标知识图谱;根据所述目标知识图谱确定所述目标用户的候选属性空间、候选项目空间以及确认喜欢属性;通过属性分数预测模块根据所述确认喜欢属性对所述候选属性空间的候选属性进行计算,得到目标属性;通过项目分数预测模块根据所述确认喜欢属性对所述候选项目空间的候选项目进行预测,得到目标项目;根据所述目标属性所述目标项目与所述目标用户进行对话和推荐,通过上述方式,根据目标属性和目标项目与目标用户进行对话和推荐,能够推荐出更契合用户的属性和项目,进而实现候选项目的动态选择。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于知识图谱的对话推荐方法,此处不再赘述。
在一实施例中,所述确定模块20,还用于根据所述目标知识图谱得到所述目标用户的喜欢属性数据集字典;在所述喜欢属性数据集字典中随机选取出初始属性;根据所述目标用户的确认信息和所述目标知识图谱得到确认喜欢属性;根据所述喜欢属性数据集字典得到所述初始属性的邻接属性和邻接项目,将所述邻接属性作为候选属性空间,并将所述邻接项目作为候选项目空间。
在一实施例中,所述计算模块30,还用于根据所述候选属性空间和所述确认喜欢属性构建对应的会话图;获取目标用户的当前兴趣;通过目标注意力网络将所述当前兴趣和所述会话图的长期偏好进行融合,得到目标会话嵌入;根据所述目标会话嵌入和所述确认喜欢属性通过属性分数预测模块对所述候选属性空间的各个候选属性进行计算,得到候选属性分数集合;根据所述候选属性分数集合在所述各个候选属性筛选出目标属性。
在一实施例中,所述计算模块30,还用于将所述目标会话嵌入与所述候选属性空间的各个候选属性进行点乘计算,得到当前属性计算结果;根据所述确认喜欢属性通过属性分数预测模块的激活层对所述当前属性计算结果进行计算,得到候选属性分数集合。
在一实施例中,所述预测模块40,还用于根据所述特征识别层对所述候选项目空间的候选项目进行识别,得到对应的特征影响程度;根据所述喜欢属性确认层和所述确认喜欢属性构建用户潜在向量;根据所述特征影响程度和所述用户潜在向量对所述候选项目空间的候选项目进行预测,得到目标项目。
在一实施例中,所述预测模块40,还用于根据所述特征影响程度确定所述候选项目空间的候选项目的权重;统计所述候选项目的数量;根据所述数量和所述用户潜在向量对所述权重进行均值计算,得到特征平均权重;根据所述特征平均权重和所述候选项目得到目标项目。
在一实施例中,所述对话推荐模块50,还用于根据自然语言生成模块和目标属性生成目标属性询问语句;根据所述目标属性询问语句接收到所述目标用户反馈的询问结果,以实现与所述目标用户进行对话;在所述询问结果为确认喜欢时,将所述目标项目推荐给所述目标用户。
本发明所述基于知识图谱的对话推荐装置的其他实施例或具有实现方法可参照上述各方法实施例,此处不在赘余。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,一体化平台工作站,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于知识图谱的对话推荐方法,其特征在于,所述基于知识图谱的对话推荐方法包括以下步骤:
根据目标用户的当前行为数据集构建目标知识图谱;
根据所述目标知识图谱确定所述目标用户的候选属性空间、候选项目空间以及确认喜欢属性;
通过属性分数预测模块根据所述确认喜欢属性对所述候选属性空间的候选属性进行计算,得到目标属性;
通过项目分数预测模块根据所述确认喜欢属性对所述候选项目空间的候选项目进行预测,得到目标项目;
根据所述目标属性所述目标项目与所述目标用户进行对话和推荐。
2.如权利要求1所述的基于知识图谱的对话推荐方法,其特征在于,所述根据所述目标知识图谱确定所述目标用户的候选属性空间、候选项目空间以及确认喜欢属性,包括:
根据所述目标知识图谱得到所述目标用户的喜欢属性数据集字典;
在所述喜欢属性数据集字典中随机选取出初始属性;
根据所述目标用户的确认信息和所述目标知识图谱得到确认喜欢属性;
根据所述喜欢属性数据集字典得到所述初始属性的邻接属性和邻接项目,将所述邻接属性作为候选属性空间,并将所述邻接项目作为候选项目空间。
3.如权利要求1所述的基于知识图谱的对话推荐方法,其特征在于,所述通过属性分数预测模块根据所述确认喜欢属性对所述候选属性空间的候选属性进行计算,得到目标属性,包括:
根据所述候选属性空间和所述确认喜欢属性构建对应的会话图;
获取目标用户的当前兴趣;
通过目标注意力网络将所述当前兴趣和所述会话图的长期偏好进行融合,得到目标会话嵌入;
根据所述目标会话嵌入和所述确认喜欢属性通过属性分数预测模块对所述候选属性空间的各个候选属性进行计算,得到候选属性分数集合;
根据所述候选属性分数集合在所述各个候选属性筛选出目标属性。
4.如权利要求3所述的基于知识图谱的对话推荐方法,其特征在于,所述根据所述目标会话嵌入和所述确认喜欢属性通过属性分数预测模块对所述候选属性空间的各个候选属性进行计算,得到候选属性分数集合,包括:
将所述目标会话嵌入与所述候选属性空间的各个候选属性进行点乘计算,得到当前属性计算结果;
根据所述确认喜欢属性通过属性分数预测模块的激活层对所述当前属性计算结果进行计算,得到候选属性分数集合。
5.如权利要求1所述的基于知识图谱的对话推荐方法,其特征在于,所述项目分数预测模块包括特征识别层和喜欢属性确认层;
所述通过项目分数预测模块根据所述确认喜欢属性对所述候选项目空间的候选项目进行预测,得到目标项目,包括:
根据所述特征识别层对所述候选项目空间的候选项目进行识别,得到对应的特征影响程度;
根据所述喜欢属性确认层和所述确认喜欢属性构建用户潜在向量;
根据所述特征影响程度和所述用户潜在向量对所述候选项目空间的候选项目进行预测,得到目标项目。
6.如权利要求5所述的基于知识图谱的对话推荐方法,其特征在于,所述根据所述特征影响程度和所述用户潜在向量对所述候选项目空间的候选项目进行预测,得到目标项目,包括:
根据所述特征影响程度确定所述候选项目空间的候选项目的权重;
统计所述候选项目的数量;
根据所述数量和所述用户潜在向量对所述权重进行均值计算,得到特征平均权重;
根据所述特征平均权重和所述候选项目得到目标项目。
7.如权利要求1至6中任一项所述的基于知识图谱的对话推荐方法,其特征在于,所述根据所述目标属性所述目标项目与所述目标用户进行对话和推荐,包括:
根据自然语言生成模块和目标属性生成目标属性询问语句;
根据所述目标属性询问语句接收到所述目标用户反馈的询问结果,以实现与所述目标用户进行对话;
在所述询问结果为确认喜欢时,将所述目标项目推荐给所述目标用户。
8.一种基于知识图谱的对话推荐装置,其特征在于,所述基于知识图谱的对话推荐装置包括:
构建模块,用于根据目标用户的当前行为数据集构建目标知识图谱;
确定模块,用于根据所述目标知识图谱得到所述目标用户的候选属性空间、候选项目空间以及确认喜欢属性;
计算模块,用于通过属性分数预测模块对所述候选属性空间和所述确认喜欢属性进行计算,得到目标属性;
预测模块,用于通过对目分数预测模块对所述候选项目空间和所述确认喜欢属性进行预测,得到目标项目;
对话推荐模块,用于通过所述目标属性与所述目标用户进行对话,并将所述目标项目推荐给所述目标用户。
9.一种基于知识图谱的对话推荐设备,其特征在于,所述基于知识图谱的对话推荐设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于知识图谱的对话推荐程序,所述基于知识图谱的对话推荐程序配置有实现如权利要求1至7中任一项所述的基于知识图谱的对话推荐方法。
10.一种存储介质,其特征在于,所述存储介质上存储有基于知识图谱的对话推荐程序,所述基于知识图谱的对话推荐程序被处理器执行时实现如权利要求1至7中任一项所述的基于知识图谱的对话推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210550595.2A CN114780753A (zh) | 2022-05-18 | 2022-05-18 | 基于知识图谱的对话推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210550595.2A CN114780753A (zh) | 2022-05-18 | 2022-05-18 | 基于知识图谱的对话推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114780753A true CN114780753A (zh) | 2022-07-22 |
Family
ID=82408657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210550595.2A Pending CN114780753A (zh) | 2022-05-18 | 2022-05-18 | 基于知识图谱的对话推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114780753A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115357725A (zh) * | 2022-08-08 | 2022-11-18 | 武汉北大高科软件股份有限公司 | 一种基于用户行为的知识图谱生成方法及装置 |
WO2024064227A1 (en) * | 2022-09-20 | 2024-03-28 | Adeia Guides Inc. | Attribute-based content recommendations including movie recommendations based on metadata |
-
2022
- 2022-05-18 CN CN202210550595.2A patent/CN114780753A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115357725A (zh) * | 2022-08-08 | 2022-11-18 | 武汉北大高科软件股份有限公司 | 一种基于用户行为的知识图谱生成方法及装置 |
CN115357725B (zh) * | 2022-08-08 | 2023-04-18 | 武汉北大高科软件股份有限公司 | 一种基于用户行为的知识图谱生成方法及装置 |
WO2024064227A1 (en) * | 2022-09-20 | 2024-03-28 | Adeia Guides Inc. | Attribute-based content recommendations including movie recommendations based on metadata |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444428B (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
CN111552880B (zh) | 基于知识图谱的数据处理方法、装置、介质及电子设备 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN114780753A (zh) | 基于知识图谱的对话推荐方法、装置、设备及存储介质 | |
CN112000819A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
CN111639247B (zh) | 用于评估评论的质量的方法、装置、设备以及计算机可读存储介质 | |
CN112989146B (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN115456707A (zh) | 提供商品推荐信息的方法、装置及电子设备 | |
CN112819024A (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
JP2024508502A (ja) | 情報をプッシュする方法および装置 | |
Wu et al. | Context-aware session recommendation based on recurrent neural networks | |
CN116821513B (zh) | 一种推荐场景下的参数搜索方法、装置、设备和介质 | |
CN111931069B (zh) | 用户兴趣确定方法、装置及计算机设备 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
Chantamunee et al. | An exploration of user–facet interaction in collaborative-based personalized multiple facet selection | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
Ren et al. | Consumer preference analysis: Diverse preference learning with online ratings | |
CN114880709A (zh) | 一种应用人工智能的电商数据防护方法及服务器 | |
CN115204931A (zh) | 用户服务策略确定方法、装置及电子设备 | |
CN114970494A (zh) | 一种评论生成方法、装置、电子设备和存储介质 | |
CN110942306A (zh) | 数据处理方法、装置及电子设备 | |
CN116628179B (zh) | 一种用户操作数据的可视化与人机交互推荐方法 | |
CN117786234B (zh) | 一种基于两阶段对比学习的多模态资源推荐方法 | |
CN116610783B (zh) | 基于人工智能决策的服务优化方法及数字化在线页面系统 |
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 |