CN115329215A - 异构网络中基于自适应动态知识图谱的推荐方法及系统 - Google Patents

Abstract

本发明涉及一种异构网络中基于自适应动态知识图谱的推荐方法及系统，属于推荐领域，根据用户以及项目之间的复杂交互关系，构建异构网络，提取用户隐式特征，同时利用图注意力网络中的多头注意力来提取用户的短期偏好，对知识图谱进行更新，进而对用户、项目集合进行分簇，建立种子簇集合，利用RippleNet模型计算概率预测值，得到推荐结果列表，实现时效性以及自适应性，提高推荐系统准确性，更好地解决数据稀疏、冷启动以及偏差问题。

Description

异构网络中基于自适应动态知识图谱的推荐方法及系统

技术领域

本发明涉及推荐领域，特别是涉及一种异构网络中基于自适应动态知识图谱的推荐方法及系统。

背景技术

近年来互联网、大数据的不断发展，使得网络资源迅猛增长，在便利人们的同时，也带来了许多的困扰。如何在大量的数据当中快速找到适合用户的资源成为一大难题，为了快速准确地为用户提供最合适的资源，推荐系统被运用到各个领域当中，如新闻推荐、POI(point of interest)位置推荐和学习资源推荐等。由于推荐系统地位的提升，为了给用户更好的体验，不同算法不断优化改进。

传统的推荐方法主要包括协同过滤、基于内容的推荐方法和混合推荐方法。但是这些算法常会面对冷启动和数据稀疏的问题，同时系统会对点击过的相似商品进行大量推荐，引起用户的反感。偏差的存在影响了推荐效果，如何妥善缓解和处理偏差问题就显得十分重要。曝光偏差是指物品的属性不能全部被暴露给用户，无交互信息不代表是负面偏好。选择偏差是指用户的评分等显式反馈数据，只能够给部分项目进行交互，不是所有评分的代表性样本。传统推荐系统只使用用户物品历史交互信息作为输入，该做法存在以下问题：

在实际场景中，用户物品交互信息往往非常稀疏。例如，一个电影类APP可能包含了上万部电影，然而一个用户打过分的电影可能平均只有几十部。使用如此少量的已观测数据来预测大量的未知信息，会极大增加算法的过拟合风险，也会存在选择偏差的影响。对于新加入的用户或者物品，推荐系统由于没有该用户或物品的历史交互信息，因此无法进行准确地建模和推荐，即传统推荐系统存在着冷启动问题，同时无交互不代表排斥，存在曝光偏差影响。

数据稀疏问题制约着推荐系统的性能。解决推荐系统数据稀疏问题的一个常用思路是引入辅助信息，包括社交网络、用户/物品属性、图像/视频/音频/文本等多媒体信息以及上下文等。近年来，随着知识图谱的兴起，越来越多的研究人员尝试将知识图谱作为辅助信息应用于推荐系统中，以解决推荐系统中的数据稀疏问题。而图结构可以自然地表达现实世界中实体之间丰富的关系，通过对其进行分析、挖掘和认知推理，可以捕捉到事物之间的隐含联系。在数据较为稀疏的场景下，异构网络通过给节点建立丰富关联，使得更多隐含信息被包含进来，可有效缓解数据稀疏性问题，异构网络的节点不限于实体节点，也包括了虚拟节点，可以更加充分利用辅助信息，提高推荐系统准确性。

长期偏好是用户长时间的兴趣爱好，可以根据用户的关系网络图进行提取，但是由于网络流行趋势或者突发舆论事件，用户可能会产生与长期偏好有所不同的短期偏好。如果关注用户的短期偏好，可以更加准确的把握用户短时间内需要的项目商品，使得推荐结果更加准确灵活。注意力机制最近已成为深度神经网络中的重要部分，它使深度神经网络能够专注于其输入(或特征)的子集，也就是只关注重点有意义的信息。最近，已经开发了注意机制来处理不同的学习任务，如阅读理解，推荐系统等。有研究在机器翻译任务中运用注意力机制，显著提高了翻译的准确性。有研究为微博中的Hashtag建议开发了一个基于注意力的卷积神经网络。图注意力网络不同于先前一些基于谱域的图神经网络，它可以通过注意力机制对邻居节点做聚合操作，考虑各个邻居节点的相关度，实现对不同邻居节点权重的自适应分配，具有高效，可移植性等优势。由于用户与其好友的亲密程度有所不同，所以不同的用户节点应当有不同的权重。此外，用户曾交互过的不同的活动也有不同权重，所以不同的用户－活动交互记录节点也应当有不同的权重。

针对数据稀疏和冷启动问题，当前主要解决的策略有添加辅助信息，如利用知识图谱来加入辅助信息，利用深度学习进行特征提取。

知识图谱旨在描述真实世界中存在的各种实体或概念，以及他们之间的关联关系。知识抽取、知识表示、知识融合、知识推理等技术是构建、应用知识图谱的关键技术。针对上述问题，人们研究了很多的解决方法，从不同角度对用户和产品信息进行分析、处理、降低数据的稀疏程度。

常见的知识图谱方法主要包括三种:基于表示的方法、基于路径的方法以及融合方法。基于表示的方法一般会先使用知识图谱表示方法来将知识图谱中的实体及关系映射为低维向量，然后直接用于丰富推荐系统中用户或者物品的信息。主要模型包括KSR，MKR，KTGAN，KTUP，SED，RCF，BEM，CKE，DKN，entity2rec，ECFKG，SHINE以及DKFM。基于路径的方法在构建用户-物品交互的过程当中，考虑了知识图谱的实体联系，这类方法也被称为基于异构信息网络(heterogeneous information network，HIN)的推荐方法。通常将知识图谱看作是一个异构信息网络，然后定义一些元路径来提取目标节点之间的相似度。不同路径之间的不同权重反映了知识图谱当中用户的不同偏好。融合方法将基于表示的方法和基于路径的方法进行了整合，大致可以划分为两类。第一类通过用户交互历史来重定义用户表示，典型方法为RippleNet。第二类方法通过融合物品在知识图谱中相连实体的方式来重定义物品的表示，代表方法为KGCN。但是现有研究对于动态知识图谱，系统的时效性和自适应性较差，对用户的短期偏好以及潜在偏好的关注不够。

基于深度学习的方法在提取项目特征或用户社交关系的方面体现出较强的能力，因此在优化推荐策略方面被证明是很有前景的。在深度学习应用于推荐算法的研究中，主要分为评分预测问题和Top-N推荐，研究者通过利用各种深度学习模型，对用户与项目的交互数据包括隐式反馈和显式反馈，以及辅助信息包含属性信息和文本信息等，建模提取特征信息，预测用户-项目评分，从而进行推荐。然而，基于深度学习推荐系统经常面临一些困境。深度学习方法的训练过程是一种黑盒操作，可解释性和可修改性较差；深度学习对硬件有较高的要求，而且通常需要较长的训练时间，模型的设计较为复杂。因此，怎样减少运算量来更好提取用户的偏好特征仍然是热点话题。

现有研究通过加入知识图谱的辅助信息来解决数据稀疏和冷启动问题取得了一定的成效，但是对于用户的隐式偏好和潜在偏好的挖掘，一直是推荐系统领域的研究热点，灵活提取用户特征，提高系统的准确性是所追求的目标。

(1)异构知识图谱网络构建

现实中充斥着大量由不同类型但是相互关联的对象构成的网络化数据，根据网络是否具有多种节点类型或者边的类型可以分为同构网络和异构网络。相比于同构网络，异构网络包含了更加丰富的信息，不仅可以自然融合不同类型的对象及其交互，而且可以融合异构数据源的信息。异构网络中多类型对象和关系共存，包含丰富的结构和语义信息，为发现隐含模式提供了精准可解释的新途径。而知识图谱是一种无模式的异质网络，其关系信息丰富，近年来将知识图谱作为辅助信息运用到推荐系统当中成为热点研究，辅助信息能够丰富对用户和项目的描述，能够更加深层次地挖掘用户的潜在偏好，并且可以进行适当预测，解决数据稀疏这一大难题，同时减小选择偏差的影响。

有研究使用CKE框架结合TransR异构网络嵌入方法，通过节点和边的异构性来获取项目的结构表示，应用堆积式去噪自动编码器和堆积式卷积自动编码器这两者嵌入技术，获取项目的文本表示形式和视觉表示形式，使得CKE能够在知识库中获得协同过滤的嵌入表示。但是此方法没有考虑用户的短期偏好以及推荐系统的时效性。

有研究在新闻推荐中，通过使用TransE对新闻标题和正文中存在的大量实体以及实体间的语义关系进行学习得到实体和关系向量，从而进行新闻推荐。此研究只关注了挖掘潜在的关系，但是没有关注时间对于新闻的重要性，没有实现动态的提取，推荐效果有待提高。

有研究针对标签数据中不同类别对象构建异构网络模型,然后对异构网络模型中不同类别顶点进行同空间映射；最后基于同空间映射后网络，引入多参数马尔可夫模型进行标签评分和推荐。

现有研究构建了异构网络来进行推荐系统的优化处理，建立关系网络不仅可以对缺失信息进行一定程度的补全，同时也可以提高推荐系统的准确性。异构网络与知识图谱的融合可以进行实体识别、关系抽取、知识融合以及预测等功能，可以解决冷启动和数据稀疏问题。同时对于用户的隐式信息有很好的挖掘效果，这样可以减少关注显式偏好存在的选择偏差的影响，选择偏差是指用户评分等行为只发生在少部分项目样本，不是所有评分的代表性样本。但是构建的异构网络不能进行实时更新，用户的偏好可能会在短期内受到网络舆论、突发事件的影响发生改变，此时的异构网信息是需要进行改变的，这样才可以更好地进行准确灵活推荐。所以关注时间信息，突发事件引起的交互信息等很重要，提取用户的短期偏好加入到异构网络中，可以使用户体验感更好。

(2)短期偏好

人的兴趣可以分为长期兴趣和短暂兴趣，长期兴趣是由个体的倾向性引起，相对稳定，与个人的成长背景、学历、人生观、价值观等因素相关联。而短期兴趣通常是由于当前环境下的某些条件和刺激而产生，相对不稳定，容易消逝，但却对用户的当前偏好起着重要的实时影响作用，成为了商家最为关注的部分，也成为研究的热点。

有研究提出了一种融合了知识图谱信息和短期偏好的推荐模型(MKASR)，通过RippleNet算法提取用户和知识图谱实体的关系对，采用基于注意力机制的双向GRU网络从用户近期交互的物品序列中提取用户的短期偏好，得到用户和物品的特征表示，通过这些特征表示和用户的短期偏好向用户综合推荐。

有研究提出了一个自注意力的度量学习模型AttRec，该模型利用自注意力来学习用户近期行为中项目之间的关系以及用户短期的兴趣倾向，同时它还通过一个度量学习框架整合用户的长期偏好。

有研究提出基于知识图谱的网络用户长短期偏好推荐算法，通过构建知识图谱，深层次挖掘网络用户的潜在语义信息，并完成及时的语义辅助与补充。匹配网络用户历史行为与推荐结果,最终将项目嵌入到网络用户长短期学习中，实现网络用户长短期偏好推荐。

有研究提出了时间间隔感知的动态知识图谱表示方法TDG2E。该方法按照时间节点将动态知识图谱切割成了不同的静态子知识图谱，随后使用GRU对各个静态子知识图谱进行处理，以捕获时许依赖关系，从而建模动态知识图谱的结构演化过程。

现有很多研究都关注了时间信息以及用户的长期偏好和短期偏好，对推荐系统的优化取得了一定的成效。关注时间信息，可以实现推荐结果的实时性，使推荐系统更加灵活准确。随着互联网信息的不断发展，网络的舆论、突发事件发酵越来越能够影响多数人的生活，会发生短期的偏好偏移，对一些项目突然感兴趣。所以关注短期偏好很重要，但是怎样灵活提取用户的短期偏好，实现系统的自适应性是非常有研究价值的。

(3)动态自适应

2018年Petar等人发表文章提出了一种应用于图结构数据的图注意力网络。图注意力网络不同于先前一些基于谱域的图神经网络，它可以通过注意力机制对邻居节点做聚合操作，考虑各个邻居节点的相关度，实现对不同邻居节点权重的自适应分配，具有高效，可移植性等优势。利用注意力来提取用户特征可以提高准确性，更好挖掘用户的偏好信息。

有研究使用深度知识感知网络DKN基于项目内容进行点击率预测，通过多通道的项目-实体感知网络来融合新闻语义层面和知识层面的表示关系，并加入注意力模块来动态聚合历史记录中项目信息，构建了深度知识新闻推荐系统。

有研究提出了一个模型KG-IGAT，该模型充分利用了嵌入传播过程中中心节点和相邻节点的信息来建模，然后将信息聚合传播到更高的层次。同时，将用户兴趣的演化过程集成到模型的注意机制中，以便更准确地捕捉用户兴趣的变化。

有研究提出了一种新的方法，称为知识图注意网络(KGAT)，以端到端的方式显式地建模KG中的高阶连通性，此方法从节点的邻居(可以是用户、项目或属性)递归传播嵌入，以优化节点的嵌入，并使用注意机制来区分邻居的重要性。

现有研究将注意力加入到推荐系统当中进行特征提取以及偏好挖掘，使得推荐系统的准确性有所提高，系统具有自适应。但是将图注意力网络与时间信息相结合，处理动态图，实现异构图的删减更新的研究较少。图注意力网络不需要整张的图结构，只与相邻节点有关系，即共享边的节点有关，且模型针对不同的相邻节点的重要性进行预测，可以更加灵活地提取用户重要的短期偏好。

发明内容

本发明的目的是提供一种异构网络中基于自适应动态知识图谱的推荐方法及系统，以解决数据稀疏、冷启动以及偏差问题，提高推荐准确性。

为实现上述目的，本发明提供了如下方案：

一种异构网络中基于自适应动态知识图谱的推荐方法，包括：

根据用户以及项目之间复杂交互关系的数据集，构建异构网络；

对异构网络进行实体和关系提取，建立基础知识图谱；

在时间仓内利用图注意力网络提取用户的短期偏好特征，并根据短期偏好特征计算多元注意力系数；

在基础知识图谱中将属于系数阈值范围的多元注意力系数所在关系进行删除，获得实时知识图谱；

对实时知识图谱中的用户和项目进行分簇，获得多个用户簇和多个项目簇；

根据实时知识图谱筛选项目簇并组成每个用户簇的种子集合；

根据每个用户簇的种子集合，利用RippleNet模型预测每个用户簇点击种子集合中每个项目簇的概率值；

将最大概率值对应的项目簇作为每个用户簇的推荐结果，生成推荐结果列表；

改变时间仓，返回步骤“在时间仓内利用图注意力网络提取用户的短期偏好特征，并根据短期偏好特征计算多元注意力系数”，获得实时的推荐结果。

可选的，所述用户以及项目之间复杂交互关系的数据集的构建过程包括：

分别采集用户集合和项目集合；

采集用户-用户、用户-项目以及项目-项目的关系集合；

利用公式

计算关系集合中每个关系的权值；式中，

为关系r_i的权值函数，γ为归一化系数，

为关系r_i的建立时间长度，

为关系r_i的交互频率，

为关系r_i两个节点的共同关系节点的个数，i∈[1,N]，N为关系总数；

将用户集合、项目集合、关系集合和每个关系的权值构成用户以及项目之间复杂交互关系的数据集。

可选的，所述时间仓为

TI_a＝[ti_a,ti_a+1]

式中，TI_a为时间仓，a为常数，ti_a、ti_a+1分别表示起始时间、终止时间。

可选的，所述在时间仓内利用图注意力网络提取用户的短期偏好特征，并根据短期偏好特征计算多元注意力系数，具体包括：

利用公式

计算用户的潜在特征；式中，

表示用户的潜在特征，σ表示非线性激活函数，W表示神经网络权重，AF_u-u表示融合用户显式好友与隐式好友的聚合函数，

表示在时间仓TI_a下用户对其他用户进行的交互，Ex_u表示显式好友特征表示，Im_u表示隐式好友特征表示，b表示神经网络偏置；

根据用户的潜在特征，采用公式

计算邻域用户的注意力系数；式中，

表示邻域用户的注意力系数，Softmax()表示归一化函数，W'表示权重矩阵，

表示注意力网络的参数的转置，

分别表示注意力网络的第一、第二偏置项的k次方；

利用公式

计算用户交互项目的潜在特征；式中，

表示用户交互项目的潜在特征，AF_u-v表示融合用户历史交互过的显性感兴趣的项目与用户通过元路径间接交互的隐性项目的聚合函数，

表示在时间TI_a下用户对其他项目进行的交互，Ex_v表示用户历史交互过的显性感兴趣的项目，Im_v表示用户通过元路径间接交互的隐性项目；

根据用户交互项目的潜在特征，采用公式

计算邻域项目的注意力系数；式中，

表示邻域项目的注意力系数；

利用公式

计算项目与项目的潜在特征；式中，

表示项目与项目的潜在特征，AF_v-v表示融合与目标项目有直接相关信息以及间接相关信息的聚合函数，

表示在时间仓TI_a下目标项目与其他项目进行的交互嵌入，Di_v表示与目标项目有直接相关信息的项目，In_v表示与目标项目有间接相关信息的项目；

根据项目与项目的潜在特征，采用公式

计算交互项目的注意力系数；式中，

表示交互项目的注意力系数；

利用公式

计算与用户偏好无关的虚拟关系项目特征；式中，

表示与用户偏好无关的虚拟关系项目特征，F_u…v表示与用户偏好无直接与间接相关项目的聚合函数，

表示在时间TI_a下与用户无关随机项目的嵌入，Vi_v表示与用户偏好无关的项目特征表示，所包含元素为随机5个项目特征，建立虚拟关系；

根据与用户偏好无关的虚拟关系项目特征，采用公式

计算虚拟关系项目的注意力系数；式中，

表示虚拟关系项目的注意力系数。

可选的，所述对实时知识图谱中的用户和项目进行分簇，获得多个用户簇和多个项目簇，具体包括：

根据实时知识图谱对用户和项目进行分类，分为多个簇，每个簇包含的节点个数为1-5个，获得用户簇为

项目簇为

其中，

表示第u_r个用户簇，

包含A个用户；

表示第v_r个项目簇，

包含B个项目，A、B∈[1,5]，r为任意整数。

可选的，所述根据实时知识图谱筛选项目簇并组成每个用户簇的种子集合，具体包括：

确定用户簇与项目簇的交互矩阵为

式中，

表示交互矩阵元素，

的取值为0、1和-1；当

时，表示用户簇与项目簇有直接交互或者沿着图数据的元路径有间接交互；当

时，表示用户簇与项目簇无交互信息；当

时，表示用户簇与目标用户簇的关系为厌恶关系或者相关的项目为不喜欢项目；Y表示交互矩阵，C_u表示第u个用户簇，C_v表示第v个项目簇，U表示用户簇集合，V表示项目簇集合；

将

和

对应的项目簇组成每个用户簇的种子集合。

一种异构网络中基于自适应动态知识图谱的推荐系统，包括：

异构网络构建模块，用于根据用户以及项目之间复杂交互关系的数据集，构建异构网络；

知识图谱建立模块，用于对异构网络进行实体和关系提取，建立基础知识图谱；

注意力系数计算模块，用于在时间仓内利用图注意力网络提取用户的短期偏好特征，并根据短期偏好特征计算多元注意力系数；

知识图谱更新模块，用于在基础知识图谱中将属于系数阈值范围的多元注意力系数所在关系进行删除，获得实时知识图谱；

分簇模块，用于对实时知识图谱中的用户和项目进行分簇，获得多个用户簇和多个项目簇；

筛选模块，用于根据实时知识图谱筛选项目簇并组成每个用户簇的种子集合；

预测模块，用于根据每个用户簇的种子集合，利用RippleNet模型预测每个用户簇点击种子集合中每个项目簇的概率值；

推荐结果生成模块，用于将最大概率值对应的项目簇作为每个用户簇的推荐结果，生成推荐结果列表；

循环模块，用于改变时间仓，调用注意力系数计算模块，获得实时的推荐结果。

可选的，所述注意力系数计算模块，具体包括：

第一潜在特征计算子模块，用于利用公式

计算用户的潜在特征；式中，

表示用户的潜在特征，σ表示非线性激活函数，W表示神经网络权重，AF_u-u表示融合用户显式好友与隐式好友的聚合函数，

表示在时间仓TI_a下用户对其他用户进行的交互，Ex_u表示显式好友特征表示，Im_u表示隐式好友特征表示，b表示神经网络偏置；

第一注意力系数计算子模块，用于根据用户的潜在特征，采用公式

计算邻域用户的注意力系数；式中，

表示邻域用户的注意力系数，Softmax()表示归一化函数，W'表示权重矩阵，

表示注意力网络的参数的转置，

分别表示注意力网络的第一、第二偏置项的k次方；

第二潜在特征计算子模块，用于利用公式

计算用户交互项目的潜在特征；式中，

表示用户交互项目的潜在特征，AF_u-v表示融合用户历史交互过的显性感兴趣的项目与用户通过元路径间接交互的隐性项目的聚合函数，

表示在时间TI_a下用户对其他项目进行的交互，Ex_v表示用户历史交互过的显性感兴趣的项目，im_v表示用户通过元路径间接交互的隐性项目；

第二注意力系数计算子模块，用于根据用户交互项目的潜在特征，采用公式

计算邻域项目的注意力系数；式中，

表示邻域项目的注意力系数；

第三潜在特征计算子模块，用于利用公式

计算项目与项目的潜在特征；式中，

表示项目与项目的潜在特征，AF_v-v表示融合与目标项目有直接相关信息以及间接相关信息的聚合函数，

表示在时间仓TI_a下目标项目与其他项目进行的交互嵌入，Di_v表示与目标项目有直接相关信息的项目，In_v表示与目标项目有间接相关信息的项目；

第三注意力系数计算子模块，用于根据项目与项目的潜在特征，采用公式

计算交互项目的注意力系数；式中，

表示交互项目的注意力系数；

第四潜在特征计算子模块，用于利用公式

计算与用户偏好无关的虚拟关系项目特征；式中，

表示与用户偏好无关的虚拟关系项目特征，F_u…v表示与用户偏好无直接与间接相关项目的聚合函数，

表示在时间TI_a下与用户无关随机项目的嵌入，Vi_v表示与用户偏好无关的项目特征表示，所包含元素为随机5个项目特征，建立虚拟关系；

第四注意力系数计算子模块，用于根据与用户偏好无关的虚拟关系项目特征，采用公式

计算虚拟关系项目的注意力系数；式中，

表示虚拟关系项目的注意力系数。

可选的，所述分簇模块，具体包括：

分类子模块，用于根据实时知识图谱对用户和项目进行分类，分为多个簇，每个簇包含的节点个数为1-5个，获得用户簇为

项目簇为

其中，

表示第u_r个用户簇，

包含A个用户；

表示第v_r个项目簇，

包含B个项目，A、B∈[1,5]，r为任意整数。

可选的，所述筛选模块，具体包括：

交互矩阵确定子模块，用于确定用户簇与项目簇的交互矩阵为

式中，

表示交互矩阵元素，

的取值为0、1和-1；当

时，表示用户簇与项目簇有直接交互或者沿着图数据的元路径有间接交互；当

时，表示用户簇与项目簇无交互信息；当

时，表示用户簇与目标用户簇的关系为厌恶关系或者相关的项目为不喜欢项目；Y表示交互矩阵，C_u表示第u个用户簇，C_v表示第v个项目簇，U表示用户簇集合，V表示项目簇集合；

种子集合组成子模块，用于将

和

对应的项目簇组成每个用户簇的种子集合。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开一种异构网络中基于自适应动态知识图谱的推荐方法及系统，根据用户以及项目之间的复杂交互关系，构建异构网络，提取用户隐式特征，同时利用图注意力网络中的多头注意力来提取用户的短期偏好，对知识图谱进行更新，进而对用户、项目集合进行分簇，建立种子簇集合，利用RippleNet模型计算概率预测值，得到推荐结果列表，实现时效性以及自适应性，提高推荐系统准确性，更好地解决数据稀疏、冷启动以及偏差问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的异构网络中基于自适应动态知识图谱的推荐方法的流程图；

图2为本发明实施例提供的异构网络中基于自适应动态知识图谱的推荐方法的整体框架图；

图3为本发明实施例提供的异构网络的示意图；

图4为本发明实施例提供的图注意力网络结构示意图；

图5为本发明实施例提供的RippleNet框架图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种异构网络中基于自适应动态知识图谱的推荐方法及系统，以解决数据稀疏、冷启动以及偏差问题，提高推荐准确性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明实施例提供了一种异构网络中基于自适应动态知识图谱的推荐方法，大致分为三个步骤：(1)构建异构网络，建立基础知识图谱；(2)在时间仓内利用GAT提取用户短期偏好，计算多元注意力系数，设定阈值，对邻域进行取舍，得到实时知识图谱网络；(3)对用户、项目集合进行分簇，构建RippleNet模型，建立种子簇集合，计算概率预测值，得到推荐结果列表。

整体框架如图2所示，(a)由数据集构建异构网络，后提取实体节点，构建基础知识图谱，在时间仓内对节点进行短期特征提取，同时对无关节点随机建立虚拟关系计算权值，对基础知识图谱关系网络进行更新，得到实时知识图谱。(b)对实体节点进行分簇，后利用RippleNet结构处理，将分簇的节点作为种子，用户明确表示不喜欢的项目不进行概率计算，重点计算有过交互的，同时将无关系的簇作为随机种子计算概率预测值，得到最终推荐结果列表。

参见图1，下面详细阐明本发明推荐方法的实现过程：

步骤S1，根据用户以及项目之间复杂交互关系的数据集，构建异构网络。

首先，对数据集进行构建，构建过程包括：

步骤1：采集用户集合U＝{u₁,u₂,…,u_n}，其中U表示全体用户集合，包括n个单个用户，采集项目集合V＝{v₁,v₂,…,v_m}，其中V表示全部的项目集合，包括m个项目数量，此项目包含了一些虚拟的话题、领域等。

步骤2：采集用户-用户、用户-项目以及项目-项目的复杂关系集合R＝{r₁,r₂,…,r_N}，其中R表示所有类型关系的集合，包括N个不同关系。

步骤3：计算关系权值函数用We来表示用户之间的隐式关系。

其中关系r_i权值函数用

来表示，

-关系r_i的建立时间长度，

-关系r_i的交互频率，

-关系r_i两个节点的共同关系节点的个数。具体的关系权值计算如下所示，并且进行归一化处理。

其中γ为归一化系数，可根据专家经验确定具体大小，减少权值函数差距过大，对推荐结果产生偏差。

然后，构建异构网络为G_HIN＝{U,V,R,W}。其中包含了用户、项目、关系和权值，使得信息利用更加全面，挖掘用户隐式偏好。

由于节点类型多样，所以包含的关系类型也更加多样丰富。构建异构网络如图3所示。根据关系的类别，建立此种关系的时间长度，此关系下用户之间的交流频率等信息，计算用户的关系权值函数。对于冷启动和数据稀疏的用户，可以利用此种交互关系，根据信息丰富的节点，进行推荐，更好解决长期以来的弊病。

图3中的箭头表示交互关系的主动性，用户主动点击项目、用户主动与另一用户进行交互，项目信息中包含用户，项目包含另一项目等多元关系类型。异构图没有限制，包含的信息更加丰富，节点也可以扩展为环境、领域、话题等虚构实体，而不是仅仅局限于用户以及项目的实体节点，将数据库当中的信息体现在拓扑结构当中，同时进行延展，根据元路径可以更好挖掘出潜在的偏好关系。其中，Comment表示评论，Browse表示浏览，Friend表示朋友，Client表示客户，work fanatic表示工作狂，Anxietytendencies表示焦虑倾向，attention表示关注，like表示喜欢，related表示相关的，interested表示感兴趣，financial sector表示金融部门。

步骤S2，对异构网络进行实体和关系提取，建立基础知识图谱。

对异构网络进行实体以及关系提取，建立知识图谱G，形成三元关系组(h,r,t)，分别为头、关系、尾。

步骤S3，在时间仓内利用图注意力网络提取用户的短期偏好特征，并根据短期偏好特征计算多元注意力系数。多元注意力系数是指多种类型的注意力系数。

时间仓在常规情况下，进行固定的创建，提取短期特征。在发生网络舆情以及突发事件时，时间仓的触发会变得频繁，特征提取也变得频繁。时间仓表示为

TI_a＝[ti_a,ti_a+1]

其中TI_a表示一个时间仓，其时间由ti_a到ti_a+1进行表示，a为任意常数。

如图4所示为图注意力网络(Graph Attention Network,GAT)的结构示意图，分为四个部分，分别对偶进行注意力系数的计算，归一化后经过阈值进行取舍。关注以上四方面的交互信息，不仅可以为用户提供类似符合用户自身偏好的推荐，同时也可以通过邻域项目与邻域用户对目标用户的偏好进行扩展延伸得到更加具有个性化以及全方位的推荐结果。图4中threshold表示阈值。

利用GAT对用户进行短期特征提取，计算四类情况下的注意力权值。

1)用户-用户GAT

计算用户的注意力系数，重点关注影响偏好较大的因素。对于用户与用户之间的交互，可以根据图数据的路径关系挖掘出隐式好友，对目标用户进行更多项目的推荐。用户的潜在特征表示为：

其中σ表示非线性激活函数，AF_u-u为融合用户显式好友与隐式好友的聚合函数，b表示神经网络偏置，W表示神经网络权重，可迭代训练得到，Ex_u表示显式好友特征表示，Im_u表示隐式好友特征表示。

表示在时间TI_a下用户对其他用户进行的交互。根据潜在特征计算邻域用户的注意力系数，并且进行归一化的计算。

Softmax()为归一化函数，W'为权重矩阵，通过深度学习网络训练得到，

分别为注意力网络的参数的转置以及偏置项的k次方，最终得到用户的低维向量特征表示，为了提高其计算的准确性，利用了GAT模型的多头注意力机制进行计算，具体过程如下所示。

其中K为多头注意力的头数，即计算次数，可取任意正整数，根据应用需要进行设置，

为时间仓内用户的低维向量特征表示，W表示神经网络权重，可迭代训练得到，b表示神经网络偏置。

2)用户-项目GAT

重点关注项目的质量、品质、价格等因素，计算项目的权重。用户交互过的项目可以分为两大类，一类为用户直接交互，如对项目进行评价、购买等，另一类为根据异构图中的元路径，用户与项目进行间接交互。

其中σ表示非线性激活函数，AF_u-u为融合用户历史交互过的显性感兴趣的项目与用户通过元路径间接交互的隐性项目的聚合函数，b表示神经网络偏置，W表示神经网络权重，可迭代训练得到，Ex_v表示用户历史交互过的显性感兴趣的项目，Im_v表示用户通过元路径间接交互的隐性项目。

表示在时间TI_a下用户对其他项目进行的交互。根据潜在特征计算邻域项目的注意力系数，并且进行归一化的计算。

Softmax()为归一化函数，W'为权重矩阵，通过深度学习网络训练得到，

分别为注意力网络的参数的转置以及偏置项的k次方。输出用户交互项目的特征表示：

其中K为多头注意力的头数，即计算次数，可取任意正整数，根据应用需要进行设置，

为时间仓内项目的低维向量特征表示，W表示神经网络权重，可迭代训练得到，b表示神经网络偏置。

3)项目-项目GAT

对于项目之间的交互信息，重点关注历史交互项目与邻域项目之间的关联程度，给出同类型性价比更高的推荐，计算项目之间的注意力系数。项目与项目之间有直接的相关信息，同属于相近的一类项目，同时也存在项目与项目之间通过用户或其他项目进行联系，有间接项目信息。

其中σ表示非线性激活函数，AF_v-v为融合与目标项目有直接相关信息以及间接相关信息的聚合函数，b表示神经网络偏置，W表示神经网络权重，可迭代训练得到，Di_v表示与目标项目有直接相关信息的项目，In_v表示与目标项目有间接相关信息的项目。

表示在时间TI_a下目标项目与其他项目进行的交互嵌入。根据潜在特征计算项目的注意力系数，并且进行归一化的计算。

Softmax为归一化函数，W'为权重矩阵，通过深度学习网络训练得到，

分别为注意力网络的参数的转置以及偏置项的k次方。输出相关项目的特征表示：

其中K为多头注意力的头数，即计算次数，可取任意正整数，根据应用需要进行设置，

为时间仓内项目的低维向量特征表示，W表示神经网络权重，可迭代训练得到，b表示神经网络偏置。

4)预测GAT

由于传统的推荐大多根据用户的历史行为进行推荐项目，会造成对用户的固定偏好预测，推荐项目过于单一化。同时由于物品不能全部暴露给用户，而无交互信息不代表是负面偏好。为用户提供更具个性化的推荐可以让人眼前一亮，用户可能会发现自身的潜在偏好，同时可以开拓眼界。将与用户毫无关系的项目类型进行随机推荐，减少曝光偏差的影响，计算项目的注意力系数，建立预测关系，将预测关系较大的项目给到用户，提高推荐结果的灵活性。

其中σ表示非线性激活函数，AF_u…v为与用户偏好无直接与间接相关项目的聚合函数，b表示神经网络偏置，W表示神经网络权重，可迭代训练得到，Vi_v表示与用户偏好无关的项目特征表示，所包含元素为随机5个项目特征，建立虚拟关系。

表示在时间TI_a下与用户无关随机项目的嵌入。根据潜在特征计算项目的注意力系数，并且进行归一化的计算。

Softmax()为归一化函数，W'为权重矩阵，通过深度学习网络训练得到，

分别为注意力网络的参数的转置以及偏置项的k次方。输出虚拟关系项目的特征表示：

其中K为多头注意力的头数，即计算次数，可取任意正整数，根据应用需要进行设置，

为时间仓内低维向量特征表示，W表示神经网络权重，可迭代训练得到，b表示神经网络偏置。

步骤S4，在基础知识图谱中将属于系数阈值范围的多元注意力系数所在关系进行删除，获得实时知识图谱。

设定阈值[0,q]，q可根据专家经验或者实际系统进行确定，若

则将这些系数所在关系进行删除，对知识图谱G进行更新，实现其实时性，得到TI_a时间下的知识图谱表示

步骤S5，对实时知识图谱中的用户和项目进行分簇，获得多个用户簇和多个项目簇。

根据实时知识图谱对用户和项目进行分类，分为多个簇，每个簇包含的节点个数为1-5个，进行小规模推荐列表生成。

用户簇表示为

项目簇表示为

包含A个用户与B个项目簇，A,B∈[1,5]，j为任意整数。

步骤S6，根据实时知识图谱筛选项目簇并组成每个用户簇的种子集合。

用户簇与项目簇的交互矩阵表示为：

其中当用户簇与项目簇有直接或者沿着图数据的元路径有间接交互的，设定为

当用户簇与项目簇无交互信息时

当

时包含以下情况，用户簇与目标用户簇的关系为厌恶关系，或者相关的项目为不喜欢项目。

的情况下的项目绝对不会当做种子集推荐给用户簇，而对于

的项目簇会进行随机的抽取，计算相关概率，减少曝光偏差对推荐效果的影响，实现全面化的推荐结果。重点计算

的预测概率。

步骤S7，根据每个用户簇的种子集合，利用RippleNet模型预测每个用户簇点击种子集合中每个项目簇的概率值。

RippleNet的框架图如图5所示，展示了知识图谱中的种子集合随跳数增加，其图像范围的变化，以及用户簇与项目簇的交互情况，最后计算出相应的预测概率，得到推荐结果列表。图5中，ripple set表示波纹集，Hop表示跳数。种子集合为RippleNet模型中的输入点。

利用RippleNet模型预测概率值的过程为：

步骤1：实体集

其公式表示对于用户簇C_u，k次跳跃的相关实体集。其中

表示交互项目以及随机选取的不相关项目簇，作为用户簇在知识图谱上的种子集合，k为从起点开始向外跳跃的次数。

步骤2：波纹集

用户簇对于波纹集合中的项目簇的潜在兴趣如水中的涟漪，不断向外扩展，即条数k的增加，同时偏好也在不断的逐步减弱。

步骤3：通过对项目簇的特征C_v和三元组(h_i,r_i,t_i)的头节点h_i、关系r_i进行比较，可以得到波纹集

中的每个三元组的关联概率，公式如下所示。

其中R_i和h_i分别是关系r_i和头节点h_i的特征。之后计算

中的尾节点的加权和。

步骤4：得到向量

其中t_i是尾节点t_i的特征，向量

则表示用户簇C_u在知识图谱的种子集对项目簇的一阶响应。

步骤5：相应的进行拓展，计算多阶响应，并且进行求和，得到C_u为融合的所有阶数的响应。

步骤6：结合用户簇和项目簇，输出预测的点击概率，计算公式如下。

步骤S8，将最大概率值对应的项目簇作为每个用户簇的推荐结果，生成推荐结果列表。

取概率最高的项目集合Top-N，给出推荐结果列表，此列表为一个用户簇的推荐结果。

步骤S9，改变时间仓，返回步骤S3，获得实时的推荐结果。

改变时间仓，不断重复步骤S3-S8，给出实时的推荐结果，不但保证了推荐系统的实时性、准确性，同时也使得推荐结果多样性得到提升。

本发明提出一种异构网络中基于自适应动态知识图谱的推荐系统(ADKHN，Recommender System Based on Adaptive Dynamic Knowledge Graph in HeterogeneousNetwork)。通过对推荐系统数据库中的复杂关系构建异构网络图，通过知识图谱的预测以及信息补全，初步解决数据稀疏和冷启动的问题。在实际当中，用户与用户、用户与项目、项目与项目都存在着不同的复杂关系，而这些关系可以侧面反映出用户的潜在偏好，提取用户的隐式偏好。比如在浏览页面时，用户只是看了开头，那可能是误点，此时如果大量推荐相关项目会引起用户反感。传统的推荐系统当中，对于冷启动用户来说，大多处理方法为推荐给用户点击率最大的一些项目，没有个性化的推荐，过于大众化。关注用户的关系可以很好解决数据稀疏和冷启动的问题，同时可以为用户提供更加具有个性化的推荐结果，提高用户的使用体验。

参考协同过滤算法的基本思想，人以群分物以类聚，系统建立关系网络异构图。在数据稀疏和冷启动用户加入时，根据异构网络的关系路径，找到相似用户，进而找到符合偏好的项目集合，挖掘用户的隐式偏好。复杂异构网络-知识图谱的构建不仅可以进行关系补全，同时可以进行适当预测。构建领域知识图谱，从数据集中抽取出知识语义信息，并且对知识语义信息进行预处理，数据库中的信息存在大量错误信息、空白信息等噪音信息。通过适当的方式将这些信息进行加工处理。对于实体之间关系的提取，可以在预定义关系的基础上对实体进行抽取，找到匹配关系，例如电影和编剧之间存在写作关系，电影和演员之间存在表演关系，电影和风格之间存在所属类型的关系，并将实体和关系作为关系型数据库的表结构，存储到关系型数据库中。

本方法的关键点是考虑时间和突发事件对于用户偏好的影响，利用图注意力网络中的多头注意力来提取用户的短期偏好，并根据其权重嵌入到异构网络当中，实现推荐系统的时效性以及自适应性，主要关键点有：

(1)异构网络将不同类型节点的差异融入到节点表示中，减少了信息损失，可以更加精确得挖掘用户的隐式偏好信息。考虑商品、买家、卖家之间复杂关系，可以提高为目标用户推荐合适商品的准确度，提高推荐系统的推荐质量。异构网络的节点包含的类型更加丰富，不局限于实体，同时少了很多限制，比如个数限制、存在限制等，能够更好的挖掘关系的隐含信息，减少选择偏差和曝光偏差的影响。

(2)选择关注用户的短期偏好，关注时间信息以及网络舆论对用户短期行为的影响，对用户的偏好把握更加准确。短期偏好具有突发性、偏移性和时效性。用户通常会因为网络舆情，产生不同于长期偏好的短期偏好行为特征，比如网络流行对用户潜意识的影响，会产生跟风的思想，但是短期偏好的持续时间可能较短，舆情风波过后又回归原有喜好。所以准确把握用户的短期偏好可以为用户提供各个时间段的推荐结果，推荐系统的自适应性大大加强，提高用户的体验。

(3)图注意力网络不同于先前一些基于谱域的图神经网络，可以通过注意力机制对邻居节点做聚合操作，考虑各个邻居节点的相关性，实现对不同邻居节点权重的自适应分配，具有高效，可移植性等优势。图注意力网络是深度学习的组件，将组件应用于系统当中不但可以减少计算成本，同时也可以更好地优化算法。多头注意力通过多次计算注意力的方式更加深入地挖掘节点数据的潜力，令模型更加了解节点蕴含的特征意义，刚好地提取用户的短期偏好特征。

(4)在利用RippleNet对图数据处理时，进行了分簇处理，同时进行随机选定无关系簇当做种子，减少曝光偏差，增加推荐系统的个性化。对于明确表示不喜欢的项目进行抑制，不进行推荐，提高用户使用感受。

以上四点对于推荐系统性能的改变有一定效果。关注不同类型节点的复杂交互关系，构建异构网络图谱，挖掘用户的隐式偏好，增加系统的可解释性；在推荐系统当中加入时间信息，关注用户的短期偏好行为特征；利用图注意力网络中的多头注意力提取用户的短期偏好，提高推荐系统的准确性。

本发明实施例还提供了一种异构网络中基于自适应动态知识图谱的推荐系统，包括：

异构网络构建模块，用于根据用户以及项目之间复杂交互关系的数据集，构建异构网络；

知识图谱建立模块，用于对异构网络进行实体和关系提取，建立基础知识图谱；

注意力系数计算模块，用于在时间仓内利用图注意力网络提取用户的短期偏好特征，并根据短期偏好特征计算多元注意力系数；

知识图谱更新模块，用于在基础知识图谱中将属于系数阈值范围的多元注意力系数所在关系进行删除，获得实时知识图谱；

分簇模块，用于对实时知识图谱中的用户和项目进行分簇，获得多个用户簇和多个项目簇；

筛选模块，用于根据实时知识图谱筛选项目簇并组成每个用户簇的种子集合；

预测模块，用于根据每个用户簇的种子集合，利用RippleNet模型预测每个用户簇点击种子集合中每个项目簇的概率值；

推荐结果生成模块，用于将最大概率值对应的项目簇作为每个用户簇的推荐结果，生成推荐结果列表；

循环模块，用于改变时间仓，调用注意力系数计算模块，获得实时的推荐结果。

注意力系数计算模块，具体包括：

第一潜在特征计算子模块，用于利用公式

计算用户的潜在特征；式中，

表示用户的潜在特征，σ表示非线性激活函数，W表示神经网络权重，AF_u-u表示融合用户显式好友与隐式好友的聚合函数，

表示在时间仓TI_a下用户对其他用户进行的交互，Ex_u表示显式好友特征表示，Im_u表示隐式好友特征表示，b表示神经网络偏置；

第一注意力系数计算子模块，用于根据用户的潜在特征，采用公式

计算邻域用户的注意力系数；式中，

表示邻域用户的注意力系数，Softmax()表示归一化函数，W'表示权重矩阵，

表示注意力网络的参数的转置，

分别表示注意力网络的第一、第二偏置项的k次方；

第二潜在特征计算子模块，用于利用公式

计算用户交互项目的潜在特征；式中，

表示用户交互项目的潜在特征，AF_u-v表示融合用户历史交互过的显性感兴趣的项目与用户通过元路径间接交互的隐性项目的聚合函数，

表示在时间TI_a下用户对其他项目进行的交互，Ex_v表示用户历史交互过的显性感兴趣的项目，Im_v表示用户通过元路径间接交互的隐性项目；

第二注意力系数计算子模块，用于根据用户交互项目的潜在特征，采用公式

计算邻域项目的注意力系数；式中，

表示邻域项目的注意力系数；

第三潜在特征计算子模块，用于利用公式

计算项目与项目的潜在特征；式中，

表示项目与项目的潜在特征，AF_v-v表示融合与目标项目有直接相关信息以及间接相关信息的聚合函数，

表示在时间仓TI_a下目标项目与其他项目进行的交互嵌入，Di_v表示与目标项目有直接相关信息的项目，In_v表示与目标项目有间接相关信息的项目；

第三注意力系数计算子模块，用于根据项目与项目的潜在特征，采用公式

计算交互项目的注意力系数；式中，

表示交互项目的注意力系数；

第四潜在特征计算子模块，用于利用公式

计算与用户偏好无关的虚拟关系项目特征；式中，

表示与用户偏好无关的虚拟关系项目特征，F_u…v表示与用户偏好无直接与间接相关项目的聚合函数，

表示在时间TI_a下与用户无关随机项目的嵌入，Vi_v表示与用户偏好无关的项目特征表示，所包含元素为随机5个项目特征，建立虚拟关系；

第四注意力系数计算子模块，用于根据与用户偏好无关的虚拟关系项目特征，采用公式

计算虚拟关系项目的注意力系数；式中，

表示虚拟关系项目的注意力系数。

分簇模块，具体包括：

分类子模块，用于根据实时知识图谱对用户和项目进行分类，分为多个簇，每个簇包含的节点个数为1-5个，获得用户簇为

项目簇为

其中，

表示第u_r个用户簇，

包含A个用户；

表示第v_r个项目簇，

包含B个项目，A、B∈[1,5]，r为任意整数。

筛选模块，具体包括：

交互矩阵确定子模块，用于确定用户簇与项目簇的交互矩阵为

式中，

表示交互矩阵元素，

的取值为0、1和-1；当

时，表示用户簇与项目簇有直接交互或者沿着图数据的元路径有间接交互；当

时，表示用户簇与项目簇无交互信息；当

时，表示用户簇与目标用户簇的关系为厌恶关系或者相关的项目为不喜欢项目；Y表示交互矩阵，C_u表示第u个用户簇，C_v表示第v个项目簇，U表示用户簇集合，V表示项目簇集合；

种子集合组成子模块，用于将

和

对应的项目簇组成每个用户簇的种子集合。

本发明提出异构网络中基于自适应动态知识图谱的推荐系统研究，根据用户以及项目之间的复杂交互关系，构建异构网络，提取用户隐式特征，同时关注用户的短期偏好，对知识图谱进行更新，实现系统的时效性以及自适应性，提高推荐系统准确性，更好地解决数据稀疏、冷启动以及偏差问题。本方案的优势主要有：

(1)关注用户与用户之间、用户与项目之间以及项目与项目之间的复杂交互关系，构建异构网络，减少了对于用户历史评分等信息的依赖性。

(2)利用GAT的多头注意力框架，设置四种类型注意力系数的计算，形成对偶任务，提取用户短期内的偏好特征，对邻域节点进行不同权重的赋值，对知识图谱进行更新。

(3)根据权重大小构建用户簇，利用RippleNet模型框架进行概率计算，同时对厌恶项目进行抑制，并且将无关系簇随机作为种子，减少曝光偏差问题，给出用户簇推荐结果列表，减少算法计算量。

(4)实现了知识图谱的动态性，考虑了时间和网络舆情对用户的偏好影响，将用户的长期偏好与短期偏好更好地结合，挖掘用户潜在偏好。

利用以上几点，自适应动态知识图谱推荐系统对数据标签的依赖性得以解决，提高了推荐系统的准确性，同时使得系统具备了时效性，使得人们生活更加高效快捷。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种异构网络中基于自适应动态知识图谱的推荐方法，其特征在于，包括：

根据用户以及项目之间复杂交互关系的数据集，构建异构网络；

对异构网络进行实体和关系提取，建立基础知识图谱；

在时间仓内利用图注意力网络提取用户的短期偏好特征，并根据短期偏好特征计算多元注意力系数；

在基础知识图谱中将属于系数阈值范围的多元注意力系数所在关系进行删除，获得实时知识图谱；

对实时知识图谱中的用户和项目进行分簇，获得多个用户簇和多个项目簇；

根据实时知识图谱筛选项目簇并组成每个用户簇的种子集合；

根据每个用户簇的种子集合，利用RippleNet模型预测每个用户簇点击种子集合中每个项目簇的概率值；

将最大概率值对应的项目簇作为每个用户簇的推荐结果，生成推荐结果列表；

改变时间仓，返回步骤“在时间仓内利用图注意力网络提取用户的短期偏好特征，并根据短期偏好特征计算多元注意力系数”，获得实时的推荐结果。

2.根据权利要求1所述的推荐方法，其特征在于，所述用户以及项目之间复杂交互关系的数据集的构建过程包括：

分别采集用户集合和项目集合；

采集用户-用户、用户-项目以及项目-项目的关系集合；

利用公式

计算关系集合中每个关系的权值；式中，

为关系r_i的权值函数，γ为归一化系数，

为关系r_i的建立时间长度，

为关系r_i的交互频率，

为关系r_i两个节点的共同关系节点的个数，i∈[1,N]，N为关系总数；

将用户集合、项目集合、关系集合和每个关系的权值构成用户以及项目之间复杂交互关系的数据集。

3.根据权利要求1所述的推荐方法，其特征在于，所述时间仓为

TI_a＝[ti_a,ti_a+1]

式中，TI_a为时间仓，a为常数，ti_a、ti_a+1分别表示起始时间、终止时间。

4.根据权利要求1所述的推荐方法，其特征在于，所述在时间仓内利用图注意力网络提取用户的短期偏好特征，并根据短期偏好特征计算多元注意力系数，具体包括：

利用公式

计算用户的潜在特征；式中，

表示用户的潜在特征，σ表示非线性激活函数，W表示神经网络权重，AF_u-u表示融合用户显式好友与隐式好友的聚合函数，

表示在时间仓TI_a下用户对其他用户进行的交互，Ex_u表示显式好友特征表示，Im_u表示隐式好友特征表示，b表示神经网络偏置；

根据用户的潜在特征，采用公式

计算邻域用户的注意力系数；式中，

表示邻域用户的注意力系数，Softmax()表示归一化函数，W'表示权重矩阵，

表示注意力网络的参数的转置，

分别表示注意力网络的第一、第二偏置项的k次方；

利用公式

计算用户交互项目的潜在特征；式中，

表示用户交互项目的潜在特征，AF_u-v表示融合用户历史交互过的显性感兴趣的项目与用户通过元路径间接交互的隐性项目的聚合函数，

表示在时间TI_a下用户对其他项目进行的交互，Ex_v表示用户历史交互过的显性感兴趣的项目，Im_v表示用户通过元路径间接交互的隐性项目；

根据用户交互项目的潜在特征，采用公式

计算邻域项目的注意力系数；式中，

表示邻域项目的注意力系数；

利用公式

计算项目与项目的潜在特征；式中，

表示项目与项目的潜在特征，AF_v-v表示融合与目标项目有直接相关信息以及间接相关信息的聚合函数，

表示在时间仓TI_a下目标项目与其他项目进行的交互嵌入，Di_v表示与目标项目有直接相关信息的项目，In_v表示与目标项目有间接相关信息的项目；

根据项目与项目的潜在特征，采用公式

计算交互项目的注意力系数；式中，

表示交互项目的注意力系数；

利用公式

计算与用户偏好无关的虚拟关系项目特征；式中，

表示与用户偏好无关的虚拟关系项目特征，F_u…v表示与用户偏好无直接与间接相关项目的聚合函数，

表示在时间TI_a下与用户无关随机项目的嵌入，Vi_v表示与用户偏好无关的项目特征表示，所包含元素为随机5个项目特征，建立虚拟关系；

根据与用户偏好无关的虚拟关系项目特征，采用公式

计算虚拟关系项目的注意力系数；式中，

表示虚拟关系项目的注意力系数。

5.根据权利要求1所述的推荐方法，其特征在于，所述对实时知识图谱中的用户和项目进行分簇，获得多个用户簇和多个项目簇，具体包括：

根据实时知识图谱对用户和项目进行分类，分为多个簇，每个簇包含的节点个数为1-5个，获得用户簇为

项目簇为

其中，

表示第u_r个用户簇，

包含A个用户；

表示第vr个项目簇，

包含B个项目，A、B∈[1,5]，r为任意整数。

6.根据权利要求1所述的推荐方法，其特征在于，所述根据实时知识图谱筛选项目簇并组成每个用户簇的种子集合，具体包括：

确定用户簇与项目簇的交互矩阵为

式中，

表示交互矩阵元素，

的取值为0、1和-1；当

时，表示用户簇与项目簇有直接交互或者沿着图数据的元路径有间接交互；当

时，表示用户簇与项目簇无交互信息；当

时，表示用户簇与目标用户簇的关系为厌恶关系或者相关的项目为不喜欢项目；Y表示交互矩阵，C_u表示第u个用户簇，C_v表示第v个项目簇，U表示用户簇集合，V表示项目簇集合；

将

和

对应的项目簇组成每个用户簇的种子集合。

7.一种异构网络中基于自适应动态知识图谱的推荐系统，其特征在于，包括：

异构网络构建模块，用于根据用户以及项目之间复杂交互关系的数据集，构建异构网络；

知识图谱建立模块，用于对异构网络进行实体和关系提取，建立基础知识图谱；

注意力系数计算模块，用于在时间仓内利用图注意力网络提取用户的短期偏好特征，并根据短期偏好特征计算多元注意力系数；

知识图谱更新模块，用于在基础知识图谱中将属于系数阈值范围的多元注意力系数所在关系进行删除，获得实时知识图谱；

分簇模块，用于对实时知识图谱中的用户和项目进行分簇，获得多个用户簇和多个项目簇；

筛选模块，用于根据实时知识图谱筛选项目簇并组成每个用户簇的种子集合；

预测模块，用于根据每个用户簇的种子集合，利用RippleNet模型预测每个用户簇点击种子集合中每个项目簇的概率值；

推荐结果生成模块，用于将最大概率值对应的项目簇作为每个用户簇的推荐结果，生成推荐结果列表；

循环模块，用于改变时间仓，调用注意力系数计算模块，获得实时的推荐结果。

8.根据权利要求7所述的推荐系统，其特征在于，所述注意力系数计算模块，具体包括：

第一潜在特征计算子模块，用于利用公式

计算用户的潜在特征；式中，

表示用户的潜在特征，σ表示非线性激活函数，W表示神经网络权重，AF_u-u表示融合用户显式好友与隐式好友的聚合函数，

表示在时间仓TI_a下用户对其他用户进行的交互，Ex_u表示显式好友特征表示，Im_u表示隐式好友特征表示，b表示神经网络偏置；

第一注意力系数计算子模块，用于根据用户的潜在特征，采用公式

计算邻域用户的注意力系数；式中，

表示邻域用户的注意力系数，Softmax()表示归一化函数，W'表示权重矩阵，

表示注意力网络的参数的转置，

分别表示注意力网络的第一、第二偏置项的k次方；

第二潜在特征计算子模块，用于利用公式

计算用户交互项目的潜在特征；式中，

表示用户交互项目的潜在特征，AF_u-v表示融合用户历史交互过的显性感兴趣的项目与用户通过元路径间接交互的隐性项目的聚合函数，

表示在时间TI_a下用户对其他项目进行的交互，Ex_v表示用户历史交互过的显性感兴趣的项目，Im_v表示用户通过元路径间接交互的隐性项目；

第二注意力系数计算子模块，用于根据用户交互项目的潜在特征，采用公式

计算邻域项目的注意力系数；式中，

表示邻域项目的注意力系数；

第三潜在特征计算子模块，用于利用公式

计算项目与项目的潜在特征；式中，

表示项目与项目的潜在特征，AF_v-v表示融合与目标项目有直接相关信息以及间接相关信息的聚合函数，

表示在时间仓TI_a下目标项目与其他项目进行的交互嵌入，Di_v表示与目标项目有直接相关信息的项目，In_v表示与目标项目有间接相关信息的项目；

第三注意力系数计算子模块，用于根据项目与项目的潜在特征，采用公式

计算交互项目的注意力系数；式中，

表示交互项目的注意力系数；

第四潜在特征计算子模块，用于利用公式

计算与用户偏好无关的虚拟关系项目特征；式中，

表示与用户偏好无关的虚拟关系项目特征，F_u…v表示与用户偏好无直接与间接相关项目的聚合函数，

表示在时间TI_a下与用户无关随机项目的嵌入，Vi_v表示与用户偏好无关的项目特征表示，所包含元素为随机5个项目特征，建立虚拟关系；

第四注意力系数计算子模块，用于根据与用户偏好无关的虚拟关系项目特征，采用公式

计算虚拟关系项目的注意力系数；式中，

表示虚拟关系项目的注意力系数。

9.根据权利要求7所述的推荐系统，其特征在于，所述分簇模块，具体包括：

分类子模块，用于根据实时知识图谱对用户和项目进行分类，分为多个簇，每个簇包含的节点个数为1-5个，获得用户簇为

项目簇为

其中，

表示第u_r个用户簇，

包含A个用户；

表示第v_r个项目簇，

包含B个项目，A、B∈[1,5]，r为任意整数。

10.根据权利要求7所述的推荐系统，其特征在于，所述筛选模块，具体包括：

交互矩阵确定子模块，用于确定用户簇与项目簇的交互矩阵为

式中，

表示交互矩阵元素，

的取值为0、1和-1；当

时，表示用户簇与项目簇有直接交互或者沿着图数据的元路径有间接交互；当

时，表示用户簇与项目簇无交互信息；当

时，表示用户簇与目标用户簇的关系为厌恶关系或者相关的项目为不喜欢项目；Y表示交互矩阵，C_u表示第u个用户簇，C_v表示第v个项目簇，U表示用户簇集合，V表示项目簇集合；

种子集合组成子模块，用于将

和

对应的项目簇组成每个用户簇的种子集合。

Images