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 PDFInfo
- 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
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
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;
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:
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:
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。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。
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:
损失函数通过交叉熵进行定义:
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;
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:
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:
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。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。
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:
损失函数通过交叉熵进行定义:
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
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
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;
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:
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。
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)
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 |
-
2022
- 2022-03-10 CN CN202210230376.6A patent/CN115168595A/zh active Pending
Cited By (2)
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 |