CN115168595A - 结合多阶协同信息的知识图谱推荐方法 - Google Patents

结合多阶协同信息的知识图谱推荐方法 Download PDF

Info

Publication number
CN115168595A
CN115168595A CN202210230376.6A CN202210230376A CN115168595A CN 115168595 A CN115168595 A CN 115168595A CN 202210230376 A CN202210230376 A CN 202210230376A CN 115168595 A CN115168595 A CN 115168595A
Authority
CN
China
Prior art keywords
order
information
knowledge
user
graph
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
CN202210230376.6A
Other languages
English (en)
Inventor
魏巍
邹定
王子扬
赵森
江胜
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202210230376.6A priority Critical patent/CN115168595A/zh
Publication of CN115168595A publication Critical patent/CN115168595A/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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种结合多阶协同信息的知识图谱推荐方法，包括以下步骤：1)基于所有用户的物品点击序列构建用户‑物品图；2)从用户‑物品图里提取出多阶协同信息；3)将多阶协同信息对应的物品集转换成对应的实体集；4)通过知识交互传播，将多阶协同信息和知识信息结合并对高阶信息进行降噪；5)在本地和高阶图之间制造交互，并利用交互信息对高阶信息进行降噪，从而提升每层知识信息向量的质量；6)基于知识交互传播中用户和物品的本地及高阶多层特征向量，整合得到当前用户和物品的整体向量表示。

Description

结合多阶协同信息的知识图谱推荐方法
技术领域
本发明涉及数据挖掘技术，尤其涉及一种结合多阶协同信息的知识图谱推荐方法。
背景技术
传统的知识图谱推荐方法通常基于知识图嵌入算法，如TransE和TransR，但这些方法只关注知识图谱中的一阶信息，而忽略了长距离的高阶信息，更适合于图内应用，例如链接预测等。随着深度学习技术的进步，许多基于深度神经网络的模型研究致力于增强知识图谱推荐任务的效果。当前大多数研究工作基于图神经网络(GNN)构建架构，例如KGAT和KGCN等。尽管这些模型在知识图谱推荐任务上展现出卓越的性能，但其将全部邻阶信息编码到中心节点的方式也带来了噪声混合的局限性。同时当前工作只将低阶协同信息和知识图谱结合，而忽略了高阶协同信息在知识图谱推荐中对用户兴趣建模的帮助，因此具有很大的局限性。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种结合多阶协同信息的知识图谱推荐方法。
本发明解决其技术问题所采用的技术方案是：一种结合多阶协同信息的知识图谱推荐方法，包括以下步骤：
1)基于所有用户的物品点击序列构建用户-物品图；
2)从用户-物品图里提取出多阶协同信息；对于一个给定的用户-物品二部图
Figure BDA00035402834200000210
分别从用户角度和物品角度获取多阶协同信息；其中，低阶协同信息表示用户的本地兴趣或物品的本地特征，高阶协同信息表示用户的高阶兴趣或物品的高阶特征；
3)通过物品-实体对齐集合
Figure BDA0003540283420000021
将多阶协同信息对应的物品集转换成对应的实体集；
用户初始本地兴趣实体集
Figure BDA0003540283420000022
定义如下：
Figure BDA0003540283420000023
用户初始高阶兴趣实体集
Figure BDA0003540283420000024
定义如下：
Figure BDA0003540283420000025
Figure BDA0003540283420000026
Figure BDA0003540283420000027
物品初始本地兴趣实体集
Figure BDA0003540283420000028
定义如下：
Figure BDA0003540283420000029
物品初始高阶兴趣实体集
Figure BDA0003540283420000031
定义如下：
Figure BDA0003540283420000032
Figure BDA0003540283420000033
4)知识交互传播
通过知识交互传播，将多阶协同信息和知识信息结合并对高阶信息进行降噪；
4.1)首先将用户和物品的初始多阶协同信息实体集在知识图谱中传播，从而结合协同信息和知识信息，得到用户/物品的本地/高阶图，并获得丰富的外部实体集和三元组集；本地/高阶图在第l层的实体集和三元组集分别如下：
Figure BDA0003540283420000034
Figure BDA0003540283420000035
其中，符号
Figure BDA0003540283420000036
表示u或者v，符号
Figure BDA0003540283420000037
表示L或者H，l表示知识传播的实体层数；
4.2)对传播后的多层知识信息各自编码，获得每层知识信息的向量表示；
定义(h,r,t)为第l层三元组集的第i个三元组，我们可以得到第l层的向量表示如下：
Figure BDA0003540283420000038
其中，
Figure BDA0003540283420000041
为用户/物品的本地/高阶图第l层的向量表示，权值
Figure BDA0003540283420000042
通过一个注意力机制获取：
Figure BDA0003540283420000043
Figure BDA0003540283420000044
5)在本地和高阶图之间制造交互，并利用交互信息对高阶信息进行降噪，从而提升每层知识信息向量的质量；
交叉阶交互具体如下：我们首先在第l层本地和高阶向量间构造了一个d*d的特征交互矩阵
Figure BDA0003540283420000045
Figure BDA0003540283420000046
因此我们整合了每一个可能的特征交互
Figure BDA0003540283420000047
而后我们通过特征交互矩阵更新本地和高阶向量，实现信息降噪的目的：
Figure BDA0003540283420000048
Figure BDA0003540283420000049
6)模型预测
基于知识交互传播中用户和物品的本地及高阶多层特征向量，整合得到当前用户和物品的整体向量表示。首先我们利用四种不同聚合器方案分别得到用户和物品在本地及高阶图下的向量表示。
拼接聚合器：
Figure BDA0003540283420000051
池化聚合器：
Figure BDA0003540283420000052
求和聚合器：
Figure BDA0003540283420000053
平均聚合器：
Figure BDA0003540283420000054
随后我们将本地和高阶的表示拼接得到完整的用户和物品表示，并利用内积预测用户对物品点击的可能性，得到最终输出：
Figure BDA0003540283420000055
Figure BDA0003540283420000056
Figure BDA0003540283420000057
损失函数通过交叉熵进行定义：
Figure BDA0003540283420000058
其中，
Figure BDA0003540283420000059
表示用户物品交互的正例对，
Figure BDA00035402834200000510
为用户物品交互的负例对，最后一项
Figure BDA0003540283420000061
为L2正则项。
按上述方案，所述步骤2)中采用用户的三阶信息和物品的二阶信息作为高阶协同信息。
本发明产生的有益效果是：
通过将多阶协同信息与知识信息的结合，构建低阶和高阶子图，整合更多知识图谱信息，通过交叉阶交互进行子图间交互，并利用交互信息对高阶信息进行降噪，提高知识图谱推荐的准确率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的结构示意图；
图2是本发明实施例的协同交互传播示意图；
图3是本发明实施例的交叉阶交互示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。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。
如图1所示，一种结合多阶协同信息的知识图谱推荐方法，包括以下步骤：
1)基于所有用户的物品点击序列构建用户-物品图；
2)从用户-物品图里提取出多阶协同信息；对于一个给定的用户-物品二部图
Figure BDA0003540283420000071
分别从用户角度和物品角度获取多阶协同信息；其中，低阶协同信息表示用户的本地兴趣或物品的本地特征，高阶协同信息表示用户的高阶兴趣或物品的高阶特征；
3)通过物品-实体对齐集合
Figure BDA0003540283420000072
将多阶协同信息对应的物品集转换成对应的实体集；
用户初始本地兴趣实体集
Figure BDA0003540283420000073
定义如下：
Figure BDA0003540283420000074
用户初始高阶兴趣实体集
Figure BDA0003540283420000075
定义如下：
Figure BDA0003540283420000076
Figure BDA0003540283420000077
Figure BDA0003540283420000078
物品初始本地兴趣实体集
Figure BDA0003540283420000079
定义如下：
Figure BDA00035402834200000710
物品初始高阶兴趣实体集
Figure BDA00035402834200000711
定义如下：
Figure BDA0003540283420000081
Figure BDA0003540283420000082
4)知识交互传播
通过知识交互传播，将多阶协同信息和知识信息结合并对高阶信息进行降噪；
4.1)首先将用户和物品的初始多阶协同信息实体集在知识图谱中传播，从而结合协同信息和知识信息，得到用户/物品的本地/高阶图，并获得本地/高阶图内每层的外部实体集和三元组集；获得的第l层实体集和三元组集分别如下：
Figure BDA0003540283420000083
Figure BDA0003540283420000084
其中，符号
Figure BDA0003540283420000085
表示u或者v，符号
Figure BDA0003540283420000086
表示L或者H，l表示知识传播的实体层数；
4.2)对传播后的多层知识信息各自编码，获得每层知识信息的向量表示；
定义(h,r,t)为第l层三元组集的第i个三元组，我们可以得到第l层的向量表示如下：
Figure BDA0003540283420000087
其中，
Figure BDA0003540283420000088
为用户/物品的本地/高阶图第l层的向量表示，权值
Figure BDA0003540283420000089
通过一个注意力机制获取：
Figure BDA0003540283420000091
Figure BDA0003540283420000092
5)在本地和高阶图之间制造交互，并利用交互信息对高阶信息进行降噪，从而提升每层知识信息向量的质量；
交叉阶交互具体如下：我们首先在第l层本地和高阶向量间构造了一个d*d的特征交互矩阵
Figure BDA0003540283420000093
Figure BDA0003540283420000094
因此我们整合了每一个可能的特征交互
Figure BDA0003540283420000095
而后我们通过特征交互矩阵更新本地和高阶向量，实现信息降噪的目的：
Figure BDA0003540283420000096
Figure BDA0003540283420000097
6)模型预测
基于知识交互传播中用户和物品的本地及高阶多层特征向量，整合得到当前用户和物品的整体向量表示。首先我们利用四种不同聚合器方案分别得到用户和物品在本地及高阶图下的向量表示。
拼接聚合器：
Figure BDA0003540283420000101
池化聚合器：
Figure BDA0003540283420000102
求和聚合器：
Figure BDA0003540283420000103
平均聚合器：
Figure BDA0003540283420000104
随后我们将本地和高阶的表示拼接得到完整的用户和物品表示，并利用内积预测用户对物品点击的可能性，得到最终输出：
Figure BDA0003540283420000105
Figure BDA0003540283420000106
Figure BDA0003540283420000107
损失函数通过交叉熵进行定义：
Figure BDA0003540283420000108
其中，
Figure BDA0003540283420000109
表示用户物品交互的正例对，
Figure BDA00035402834200001010
为用户物品交互的负例对，最后一项
Figure BDA00035402834200001011
为L2正则项。
经实验表明，相比已有主流方法，本发明的知识图谱推荐方法取得了更好的效果。实验采用三个基准短序列推荐数据集进行评估，即MovieLens-1M数据集,Book-Crossing数据集和Last.FM数据集。数据集的详细信息如表1所示。
表1语料库信息
Figure BDA0003540283420000111
实验部分旨在评估本发明所提出的知识图谱推荐模型在不同数据集上的有效性。具体来说，我们以模型在三个数据集上的AUC和F1结果作为模型的评价指标，实验对比结果在表2中给出。
表2短序列推荐对比实验结果
Figure BDA0003540283420000121
Figure BDA0003540283420000131
值得注意的是，从上表中可以观察到，本发明提出的方法在不同的指标中始终优于所有这些基准模型。因为这些模型大多只将一阶协同信息与知识信息结合，而忽略了高阶协同信息的作用。本发明首次提出结合高阶协同信息和知识信息，提出建模多阶协同信息之间的交互来减少高阶噪声。通过结合多阶协同信息和知识信息，本发明提出的方法能够更加有效地学习到用户的潜在兴趣，从而提高知识图谱推荐的准确性。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (5)

1.一种结合多阶协同信息的知识图谱推荐方法，其特征在于，包括以下步骤：
1)基于所有用户的物品点击序列构建用户-物品图；
2)从用户-物品图里提取出多阶协同信息；对于一个给定的用户-物品二部图
Figure FDA0003540283410000011
分别从用户角度和物品角度获取多阶协同信息；其中，低阶协同信息表示用户的本地兴趣或物品的本地特征，高阶协同信息表示用户的高阶兴趣或物品的高阶特征；
3)通过物品-实体对齐集合
Figure FDA0003540283410000012
将多阶协同信息对应的物品集转换成对应的实体集；
用户初始本地兴趣实体集
Figure FDA0003540283410000013
定义如下：
Figure FDA0003540283410000014
用户初始高阶兴趣实体集
Figure FDA0003540283410000015
定义如下：
Figure FDA0003540283410000016
Figure FDA0003540283410000017
Figure FDA0003540283410000018
物品初始本地兴趣实体集
Figure FDA0003540283410000019
定义如下：
Figure FDA00035402834100000110
物品初始高阶兴趣实体集
Figure FDA00035402834100000111
定义如下：
Figure FDA0003540283410000021
Figure FDA0003540283410000022
4)知识交互传播
通过知识交互传播，将多阶协同信息和知识信息结合并对高阶信息进行降噪；
4.1)首先将用户和物品的初始多阶协同信息实体集在知识图谱中传播，从而结合协同信息和知识信息，得到用户/物品的本地/高阶图，并获得本地/高阶图内每层的外部实体集和三元组集；
4.2)对传播后的多层知识信息各自编码，获得每层知识信息的向量表示；
定义(h,r,t)为第l层三元组集的第i个三元组，得到第l层的向量表示如下：
Figure FDA0003540283410000023
其中，
Figure FDA0003540283410000024
为用户/物品的本地/高阶图第l层的向量表示，权值
Figure FDA0003540283410000025
通过一个注意力机制获取：
Figure FDA0003540283410000026
Figure FDA0003540283410000027
5)在本地和高阶图之间制造交互，并利用交互信息对高阶信息进行降噪，从而提升每层知识信息向量的质量；
6)模型预测
基于知识交互传播中用户和物品的本地及高阶多层特征向量，整合得到当前用户和物品的整体向量表示。
2.根据权利要求1所述的结合多阶协同信息的知识图谱推荐方法，其特征在于，所述步骤2)中采用用户的三阶信息和物品的二阶信息作为高阶协同信息。
3.根据权利要求1所述的结合多阶协同信息的知识图谱推荐方法，其特征在于，所述步骤4.1)中获得的每层的外部实体集和三元组集分别如下：
Figure FDA0003540283410000031
Figure FDA0003540283410000032
其中，
Figure FDA0003540283410000033
表示u或者v，
Figure FDA0003540283410000034
表示L或者H，l表示知识传播的实体层数。
4.根据权利要求1所述的结合多阶协同信息的知识图谱推荐方法，其特征在于，所述步骤5)中交叉阶交互具体如下：
首先在第l层本地和高阶向量间构造了一个d*d的特征交互矩阵
Figure FDA0003540283410000035
Figure FDA0003540283410000036
整合了每一个可能的特征交互
Figure FDA0003540283410000037
通过特征交互矩阵更新本地和高阶向量，实现信息降噪的目的：
Figure FDA0003540283410000041
Figure FDA0003540283410000042
5.根据权利要求1所述的结合多阶协同信息的知识图谱推荐方法，其特征在于，所述步骤6)中基于知识交互传播中用户和物品的本地及高阶多层特征向量，整合得到当前用户和物品的整体向量表示，具体如下：
利用四种不同聚合器分别得到用户和物品在本地及高阶图下的向量表示；所述聚合器包括：
拼接聚合器：
Figure FDA0003540283410000043
池化聚合器：
Figure FDA0003540283410000044
求和聚合器：
Figure FDA0003540283410000045
平均聚合器：
Figure FDA0003540283410000046
将本地和高阶的表示拼接得到完整的用户和物品表示，并利用内积预测用户对物品点击的可能性，得到最终输出：
Figure FDA0003540283410000047
Figure FDA0003540283410000051
Figure FDA0003540283410000052
损失函数通过交叉熵进行定义：
Figure FDA0003540283410000053
其中，
Figure FDA0003540283410000054
表示用户物品交互的正例对，
Figure FDA0003540283410000055
为用户物品交互的负例对，最后一项
Figure FDA0003540283410000056
为L2正则项。
CN202210230376.6A 2022-03-10 2022-03-10 结合多阶协同信息的知识图谱推荐方法 Pending CN115168595A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210230376.6A CN115168595A (zh) 2022-03-10 2022-03-10 结合多阶协同信息的知识图谱推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210230376.6A CN115168595A (zh) 2022-03-10 2022-03-10 结合多阶协同信息的知识图谱推荐方法

Publications (1)

Publication Number Publication Date
CN115168595A true CN115168595A (zh) 2022-10-11

Family

ID=83483265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210230376.6A Pending CN115168595A (zh) 2022-03-10 2022-03-10 结合多阶协同信息的知识图谱推荐方法

Country Status (1)

Country Link
CN (1) CN115168595A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402589A (zh) * 2023-06-05 2023-07-07 湖南师范大学 一种基于知识图和旋转编码的商品推荐方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402589A (zh) * 2023-06-05 2023-07-07 湖南师范大学 一种基于知识图和旋转编码的商品推荐方法及系统
CN116402589B (zh) * 2023-06-05 2023-09-15 湖南师范大学 一种基于知识图和旋转编码的商品推荐方法及系统

Similar Documents

Publication Publication Date Title
CN111127142B (zh) 一种基于广义神经注意力的物品推荐方法
CN111881350B (zh) 一种基于混合图结构化建模的推荐方法与系统
CN112035746A (zh) 一种基于时空序列图卷积网络的会话推荐方法
CN112613602A (zh) 基于知识感知超图神经网络的推荐方法及系统
CN109857871B (zh) 一种基于社交网络海量情景数据的用户关系发现方法
CN113918832B (zh) 基于社交关系的图卷积协同过滤推荐系统
Chen et al. IR-Rec: An interpretive rules-guided recommendation over knowledge graph
CN113918833B (zh) 通过社交网络关系的图卷积协同过滤实现的产品推荐方法
CN113378048A (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
CN114036405A (zh) 一种基于图卷积网络的社交推荐方法与系统
CN116340646A (zh) 一种基于超图基序优化多元用户表示的推荐方法
Yang et al. Bilateral knowledge graph enhanced online course recommendation
CN116204729A (zh) 一种基于超图神经网络的跨领域群组智能推荐方法
CN115374347A (zh) 一种基于知识图注意力网络的社交推荐方法
CN115168595A (zh) 结合多阶协同信息的知识图谱推荐方法
CN113918834A (zh) 融合社交关系的图卷积协同过滤推荐方法
CN114461929A (zh) 一种基于协同关系图的推荐方法及相关装置
CN115438192A (zh) 一种基于元学习的小样本知识图谱补全方法
CN113342994B (zh) 一种基于无采样协作知识图网络的推荐系统
Liu Literature review on image restoration
CN111429175B (zh) 稀疏特征场景下进行点击转化预测的方法
Tian et al. Research of consumption behavior prediction based on improved DNN
CN116805020A (zh) 基于图神经网络和上下文信息感知的兴趣点推荐方法
CN115455302A (zh) 一种基于优化图注意网络的知识图谱推荐方法
CN114723067A (zh) 一种基于用户隐私保护的联邦混合过滤推荐方法

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