CN115618098A - 基于知识增强与空洞卷积的冷链物流推荐方法及装置 - Google Patents

基于知识增强与空洞卷积的冷链物流推荐方法及装置 Download PDF

Info

Publication number
CN115618098A
CN115618098A CN202211099276.0A CN202211099276A CN115618098A CN 115618098 A CN115618098 A CN 115618098A CN 202211099276 A CN202211099276 A CN 202211099276A CN 115618098 A CN115618098 A CN 115618098A
Authority
CN
China
Prior art keywords
convolution
vehicle source
user
feature vector
vector
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.)
Granted
Application number
CN202211099276.0A
Other languages
English (en)
Other versions
CN115618098B (zh
Inventor
李翔
张豪杰
孙纪舟
任柯
肖绍章
周泓
朱全银
高尚兵
谢乾
陈帅
洪玉昆
杨秋实
张曼
费晶茹
徐伟
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of 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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202211099276.0A priority Critical patent/CN115618098B/zh
Publication of CN115618098A publication Critical patent/CN115618098A/zh
Application granted granted Critical
Publication of CN115618098B publication Critical patent/CN115618098B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/90—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
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于知识增强与空洞卷积的冷链物流推荐方法及装置。首先对用户、车源和历史交互信息进行数据清洗与整理，构建车源信息知识图谱G；然后构建L层图卷积网络，通过聚合和更新进行层层卷积，捕获车源项目的近邻信息，得到车源项目特征向量
Figure DEST_PATH_IMAGE001
；接着在交互单元，对交互矩阵Y进行压缩操作，得到用户特征向量与实体特征向量，同时使用空洞卷积进行知识嵌入学习；最后将对用户特征向量与车源项目特征向量求内积，输出用户对车源项目的点击预测值。本发明方法通过多任务学习的方法，同时进行推荐与知识嵌入训练，挖掘车源项目的潜在特征，获得用户的偏好特征，有效地应对冷启动与数据稀疏的情况，增强推荐性能。

Description

基于知识增强与空洞卷积的冷链物流推荐方法及装置
技术领域
本发明属于知识图谱和推荐系统技术领域，特别涉及一种基于知识增强与空洞卷积的冷链物流推荐方法及装置。
背景技术
近年来，随着大数据技术的快速发展，冷链物流行业的用户量与信息量规模不断扩大，海量的信息资源已导致了信息过载。为了缓解车源运输平台的信息超载，推荐系统已广泛应用于个性化信息过滤。
在现有的冷链物流推荐方法中，在如下不足：1、目前基于协同过滤的冷链物流推荐方法存在冷启动的问题，并且难以解释；2、融合知识图谱的冷链物流推荐方法未能把用户特征与车源特征和知识图谱进行有效融合，只单一地考虑了车源项目与实体或者用户与实体间的联系；3、难以学习知识图谱车源间的潜在特征，发现车源项目间的高阶内在关系。
发明内容
发明目的：针对上述问题，本发明提供一种基于知识增强与空洞卷积的冷链物流推荐方法及装置，结合推荐系统与知识图谱特征学习，通过多任务学习的方法增强推荐的可解释性，提高推荐车源项目的多样性。
技术方案：本发明提出一种基于知识增强与空洞卷积的冷链物流推荐方法，包括如下步骤：
步骤1：对用户、车源和历史交互信息进行数据清洗与整理，构建车源信息知识图谱G，G＝{(h，r，t)|h，t∈E；r∈R}，h，t分别表示头实体和尾实体，r表示两实体间的关系；
步骤2：构建L层图卷积网络，通过聚合和更新进行层层卷积，捕获车源项目的近邻信息，得到车源项目特征向量vu；
步骤3：在交互单元，构建交互矩阵Y并对交互矩阵Y进行压缩操作，得到用户特征向量与头实体特征向量；
步骤4：在知识嵌入单元，使用交互单元提取的头实体特征向量与多层感知机提取的关系特征向量输入空洞卷积网络，得到特征向量o，最终计算三元组 (h，r，t)评分，；
步骤5：对用户特征向量与车源项目特征向量求内积，输出用户对车源项目的点击预测值。
进一步地，所述步骤2的具体方法为：
步骤2.1：输入用户u与车源项目v，将车源项目映射到知识图谱G中，定义ev为车源项目v在知识图谱中对应的实体，ev＝v→e，v∈V，e∈E，E为节点集合；
步骤2.2：定义循环变量i，i＝L，...，1，ev为起点，每个节点e抽取邻近固定大小近邻集S(e)，最大接收域为L层；
步骤2.3：由外到内依次遍历接收域，获得L+1层近邻集合E＝{E0，...，EL}；
步骤2.4：建立L层图卷积网络进行邻域聚合与更新，定义u∈Rd为用户u 的向量表示，r∈Rd为关系r的向量表示，d表示向量的维数，
Figure BDA0003838168260000026
为关系r对用户 u的偏好影响的重要性，g为内积函数；
步骤2.5：定义循环变量l；
步骤2.6：若0≤l＜L，则执行以下步骤2.7-2.8，否则跳至步骤2.9；
步骤2.7：定义节点e∈E(l)，对每个e执行以下步骤2.7.1-2.7.3；
步骤2.7.1：利用内积函数g计算用户和实体关系之间的分数，
Figure BDA0003838168260000021
步骤2.7.2：在聚合操作中，对v的l-1阶近邻表示进行线性聚合，捕获车源v 的第l阶近邻信息，得到车源v的l阶近邻表示
Figure BDA0003838168260000022
其中e∈Rd是实体e的向量表示，
Figure BDA0003838168260000023
是归一化的用户关系评分；
步骤2.7.3：在更新操作中得到车源项目的l阶表示
Figure BDA0003838168260000024
步骤2.8：得到vu(l)，l＝l+1；
步骤2.9：：通过L层的卷积，获得车源项目v在不同卷积层的表示V＝{vu(0)，vu(1)，K，vu(L)}；
步骤2.10：对多层卷积结果进行求均值，得到车源项目特征向量的最终表示
Figure BDA0003838168260000025
进一步地，所述步骤2.3中获得L+1层近邻集合E＝{E0，...，EL}的具体操作为：
步骤2.3.1：若i＜L，则执行以下步骤2.3.2-步骤2.3.5，否则跳至步骤2.3.6；
步骤2.3.2：E(i)←E(i-1)，定义循环变量j；
步骤2.3.3：若j＜len(E(i-))，则执行以下步骤2.6，否则跳至步骤2.7；
步骤2.3.4：
Figure BDA0003838168260000031
E(i)←E(i)∪S(e)，j＝j+1；
步骤2.3.5：得到E(i)，i＝i+1；
步骤2.3.6：得到集合E＝{E0，...，EL}。
进一步地，所述步骤3的具体方法为：
步骤3.1：定义E(u)＝{e|e∈N(v)andv∈{v|yuv＝1}为用户u的实体集合；
步骤3.2：定义特征向量ul∈Rd和el∈E(u)分别为第l层的用户和实体，构建交互矩阵
Figure BDA0003838168260000032
并进行压缩操作，定义W∈Rd为神经网络的权重，压缩公式为
Figure BDA0003838168260000033
步骤3.3：将交互矩阵的维度从Rd×d降至Rd输出用户特征向量uL与实体特征向量hL。
进一步地，所述步骤4的具体方法为：
步骤4.1：定义L层感知机ML提取实体间关系特征向量 rL＝M(M(L M(r)))＝ML(r)；
步骤4.2：建立空洞卷积网络，将头实体特征向量hL与关系特征向量rL作为输入；
步骤4.3：将头实体特征向量hL切分成dh个长度为dw的向量，以按行堆叠的方式重塑为矩阵
Figure BDA0003838168260000034
步骤4.4：将关系特征向量rL分割成kc个大小相同的块，每个块被切分成kh个长度为kw的向量，以按行堆叠的方式重塑为二维标准卷积核
Figure BDA0003838168260000035
步骤4.5：定义i卷积核的空洞率参数，
Figure BDA0003838168260000036
Figure BDA0003838168260000037
生成不同大小的空洞卷积核
Figure BDA0003838168260000038
步骤4.6：定义Ci为矩阵
Figure BDA0003838168260000039
与空洞率为i的卷积核
Figure BDA00038381682600000310
交互得到的特征输出，* 为卷积操作，
Figure BDA00038381682600000311
步骤4.7：定义vec为整平操作，concat为拼接操作，WF为特征投影矩阵，将不同尺度下实体与关系的交互特征进行融合得到特征向量 o＝vec(concat(C1；C2；K；Ci)WF)；
步骤4.8：定义f为非线性激活函数，WP为特征投影矩阵，计算特征向量o 与尾实体向量的内积相似度来评价三元组(h，r，t)的合理性，得到评分 score(h，r，t)＝f(oWP)Tt。
进一步地，所述步骤5的具体方法为：
步骤5.1：在模型预测单元将步骤2邻域聚合得到的车源项目特征向量vu与步骤3用户特征向量uL作为输入；
步骤5.2：定义ψ为sigmoid函数，对车源项目特征向量vu与用户特征向量uL求内积，输出用于u对项目v的项目预测值
Figure BDA0003838168260000041
本发明还公开一种基于知识增强与空洞卷积的冷链物流推荐装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时执行上述基于知识增强与空洞卷积的冷链物流推荐方法的步骤。
有益效果：
1、本发明构建多层图卷积网络，去除了GCN中的特征转换矩阵，降低了模型的训练难度；不同卷积层对远近节点的信号具有差别，没有把最后一层图卷积的节点作为最终的车源项目特征表示，而是结合了不同卷积层的邻域聚合信息。
2、本发明在知识嵌入单元，使用空洞卷积对更大区域进行特征交互建模，通过多尺度的空洞卷积核，获得实体与关系的多尺度交互特征，融合多尺度的信息，获得知识图谱中实体与关系的合理表示。
3、本发明采用多任务学习的训练方式，共享车源项目的潜在特征，计算用户的偏好特征，增强推荐性能；在交叉压缩单元，去除压缩层中的参数偏置，降低计算量，并实现了用户u与知识嵌入单元中实体之间的信息共享。
附图说明
图1为本发明整体流程图；
图2为数据清理、知识图谱构建流程图；
图3为多层图卷积邻域聚合流程图；
图4为交叉压缩单元流程图；
图5为知识图谱嵌入单元流程图；
图6为模型预测流程图。
具体实施方式
下面结合附图1-6，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明公开了一种基于知识增强与空洞卷积的冷链物流推荐方法，具体包括如下步骤：
步骤1：对用户、车源和历史交互信息进行数据清洗与整理，构建车源信息知识图谱G，G＝{(h，r，t)|h，t∈E；r∈R}，h，t分别表示头实体和尾实体，r表示两实体间的关系。具体方法为：
步骤1.1：对用户、车源和历史交互信息进行数据清洗与整理，定义U为用户集，V为车源集；
步骤1.2：根据车源的属性，信息构建知识图谱G＝{(h，r，t)|h，t∈E；r∈R}，h， t分别表示头实体和尾实体，r表示两实体间的关系。
步骤2：构建L层图卷积网络，通过聚合和更新进行层层卷积，捕获车源项目的近邻信息，得到车源项目特征向量vu，具体方法为：
步骤2.1：输入用户u与车源项目v，将车源项目映射到知识图谱G中，定义ev为车源项目v在知识图谱中对应的实体，ev＝v→e，v∈V，e∈E，E为节点集合。
步骤2.2：定义循环变量i，i＝L，..，1，ev为起点，每个节点e抽取邻近固定大小近邻集S(e)，最大接收域为L层。
步骤2.3：若i＜L，则执行以下步骤2.4-2.7，否则跳至步骤2.8。
步骤2.4：E(i)←E(i-1)，定义循环变量j。
步骤2.5：若j＜len(E(i-1))，则执行以下步骤2.6，否则跳至步骤2.7。
步骤2.6：
Figure BDA0003838168260000051
E(i)←E(i)∪S(e)，j＝j+1。
步骤2.7：得到E(i)，i＝i+1。
步骤2.8：得到集合E＝{E0，...，EL}。
步骤2.9：建立L层图卷积网络进行邻域聚合与更新，定义u∈Rd为用户u 的向量表示，r∈Rd为关系r的向量表示，d表示向量的维数，
Figure BDA0003838168260000069
为关系r对用户u的偏好影响的重要性，g为内积函数。
步骤2.10：定义循环变量l。
步骤2.11：若0≤l＜L，则执行以下步骤2.12-2.13，否则跳至步骤2.13。
步骤2.12：定义节点e∈E(l)，对每个e执行以下步骤2.12.1-2.12.3。
步骤2.12.1：利用内积函数g计算用户和实体关系之间的分数，
Figure BDA0003838168260000061
步骤2.12.2：在聚合操作中，对v的l-1阶近邻表示进行线性聚合，捕获车源v的第l阶近邻信息，得到车源v的l阶近邻表示
Figure BDA0003838168260000062
其中e∈Rd是实体e的向量表示，
Figure BDA0003838168260000063
是归一化的用户关系评分。
步骤2.12.3：在更新操作中得到车源项目的l阶表示
Figure BDA0003838168260000064
步骤2.13：得到vu(l)，l＝l+1。
步骤2.14：：通过L层的卷积，获得车源项目v在不同卷积层的表示V＝{vu(0)，vu(1)，K，vu(L)}；
步骤2.15：对多层卷积结果进行求均值，得到车源项目的最终表示
Figure BDA0003838168260000066
步骤3：在交互单元，构建用户交互矩阵Y并对交互矩阵Y进行压缩操作，得到用户特征向量与头实体特征向量，具体方法为：
步骤3.1：定义E(u)＝{e|e∈N(v)andv∈{v|yuv＝1}为用户u的实体集合。
步骤3.2：定义特征向量ul∈Rd和el∈E(u)分别为第l层的用户和实体，对特征矩阵
Figure BDA0003838168260000067
进行压缩操作，定义W∈Rd为神经网络的权重，压缩公式为
Figure BDA0003838168260000068
步骤3.3：将交互矩阵的维度从Rd×d降至Rd输出用户特征向量uL与头实体特征向量hL。
步骤4：在知识嵌入单元，使用交互单元提取的头实体特征向量与多层感知机提取的关系特征向量输入空洞卷积网络，得到特征向量o，最终计算三元组(h，r，t)评分，具体方法为：
步骤4.1：定义L层感知机ML提取实体间关系特征向量 rL＝M(M(L M(r)))＝ML(r)。
步骤4.2：建立空洞卷积网络，将步骤3.3所得的头实体特征向量hL与关系特征向量rL作为输入。
步骤4.3：将头实体特征向量hL切分成dh个长度为dw的向量，以按行堆叠的方式重塑为矩阵
Figure BDA0003838168260000071
步骤4.4：将关系特征向量rL分割成kc个大小相同的块，每个块被切分成kh个长度为kw的向量，以按行堆叠的方式重塑为二维标准卷积核
Figure BDA0003838168260000072
步骤4.5：定义i卷积核的空洞率参数，
Figure BDA0003838168260000073
Figure BDA0003838168260000074
生成不同大小的空洞卷积核
Figure BDA0003838168260000075
步骤4.6：定义Ci为矩阵
Figure BDA0003838168260000076
与空洞率为i的卷积核
Figure BDA0003838168260000077
交互得到的特征输出，* 为卷积操作，
Figure BDA0003838168260000078
步骤4.7：定义vec为整平操作，concat为拼接操作，WF为特征投影矩阵，将不同尺度下实体与关系的交互特征进行融合得到特征向量 o＝vec(concat(C1；C2；K；Ci)WF)。
步骤4.8：定义f为非线性激活函数，WP为特征投影矩阵，计算特征向量o与尾向量的内积相似度来评价三元组(h，r，t)的合理性，得到评分 score(h，r，t)＝f(oWP)Tt。
步骤5：对用户特征向量与车源项目特征向量求内积，输出用户对车源项目的点击预测值，具体方法为：
步骤5.1：在模型预测单元将步骤2.15邻域聚合得到的车源项目特征向量vu与步骤3.3得到的用户特征向量uL作为输入。
步骤5.2：定义ψ为sigmoid函数，对车源项目特征向量vu与用户特征向量uL求内积，输出用于u对项目v的项目预测值
Figure BDA0003838168260000079
下表为本申请中涉及的变量说明：
Figure BDA00038381682600000710
Figure BDA0003838168260000081
Figure BDA0003838168260000091
本发明可与计算机系统结合成为基于知识增强与空洞卷积的冷链物流推荐装置，装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被加载至处理器时实现上述基于知识增强与空洞卷积的冷链物流推荐方法。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于知识增强与空洞卷积的冷链物流推荐方法，其特征在于，包括如下步骤：
步骤1：对用户、车源和历史交互信息进行数据清洗与整理，构建车源信息知识图谱G，G＝{(h，r，t)|h，t∈E；r∈R}，h，t分别表示头实体和尾实体，r表示两实体间的关系；
步骤2：构建L层图卷积网络，通过聚合和更新进行层层卷积，捕获车源项目的近邻信息，将邻域聚合得到车源项目特征向量vu；
步骤3：在交互单元，构建交互矩阵Y并对交互矩阵Y进行压缩操作，得到用户特征向量uL与头实体特征向量；
步骤4：在知识嵌入单元，使用交互单元提取的头实体特征向量与多层感知机提取的关系特征向量输入空洞卷积网络，得到特征向量o，最终计算三元组(h，r，t)评分；
步骤5：对用户特征向量与车源项目特征向量求内积，输出用户对车源项目的点击预测值。
2.根据权利要求1所述的基于知识增强与空洞卷积的冷链物流推荐方法，其特征在于，所述步骤2的具体方法为：
步骤2.1：输入用户u与车源项目v，将车源项目映射到知识图谱G中，定义ev为车源项目v在知识图谱中对应的实体，ev＝v→e，v∈V，e∈E，E为节点集合；
步骤2.2：定义循环变量i，i＝L，...，1，ev为起点，每个节点e抽取邻近固定大小近邻集S(e)，最大接收域为L层；
步骤2.3：由外到内依次遍历接收域，获得L+1层近邻集合E＝{E0，...，EL}；
步骤2.4：建立L层图卷积网络进行邻域聚合与更新，定义u∈Rd为用户u的向量表示，r∈Rd为关系r的向量表示，d表示向量的维数，
Figure FDA0003838168250000011
为关系r对用户u的偏好影响的重要性，g为内积函数；
步骤2.5：定义循环变量l；
步骤2.6：若0≤l＜L，则执行以下步骤2.7-2.8，否则跳至步骤2.9；
步骤2.7：定义节点e∈E(l)，对每个e执行以下步骤2.7.1-2.7.3；
步骤2.7.1：利用内积函数g计算用户和实体关系之间的分数，
Figure FDA0003838168250000012
步骤2.7.2：在聚合操作中，对v的l-1阶近邻表示进行线性聚合，捕获车源v的第l阶近邻信息，得到车源v的l阶近邻表示
Figure FDA0003838168250000021
其中e∈Rd是实体e的向量表示，
Figure FDA0003838168250000022
是归一化的用户关系评分；
步骤2.7.3：在更新操作中得到车源项目的l阶表示
Figure FDA0003838168250000023
步骤2.8：得到vu(l)，I＝l+1；
步骤2.9：：通过L层的卷积，获得车源项目v在不同卷积层的表示V＝{vu(0)，vu(1)，K，vu (L)}；
步骤2.10：对多层卷积结果进行求均值，得到车源项目特征向量的最终表示
Figure FDA0003838168250000024
3.根据权利要求2所述的基于知识增强与空洞卷积的冷链物流推荐方法，其特征在于，所述步骤2.3中获得L+1层近邻集合E＝{E0，...，EL}的具体操作为：
步骤2.3.1：若i＜L，则执行以下步骤2.3.2-步骤2.3.5，否则跳至步骤2.3.6；
步骤2.3.2：E(i)←E(i-1)，定义循环变量j；
步骤2.3.3：若j＜len(E(i-1))，则执行以下步骤2.6，否则跳至步骤2.7；
步骤2.3.4：
Figure FDA0003838168250000025
E(i)←E(i)∪S(e)，j＝j+1；
步骤2.3.5：得到E(i)，i＝i+1；
步骤2.3.6：得到集合E＝{E0，...，EL}。
4.根据权利要求1所述的基于知识增强与空洞卷积的冷链物流推荐方法，其特征在于，所述步骤3的具体方法为：
步骤3.1：定义E(u)＝{e|e∈N(v)andv∈{v|yuv＝1}为用户u的实体集合；
步骤3.2：定义特征向量ul∈Rd和el∈E(u)分别为第l层的用户和实体，构建交互矩阵
Figure FDA0003838168250000027
并进行压缩操作，定义W∈Rd为神经网络的权重，压缩公式为
Figure FDA0003838168250000026
步骤3.3：将交互矩阵的维度从Rd×d降至Rd输出用户特征向量uL与实体特征向量hL。
5.根据权利要求1所述的基于知识增强与空洞卷积的冷链物流推荐方法，其特征在于，所述步骤4的具体方法为：
步骤4.1：定义L层感知机ML提取实体间关系特征向量rL＝M(M(L M(r)))＝ML(r)；
步骤4.2：建立空洞卷积网络，将头实体特征向量hL与关系特征向量rL作为输入；
步骤4.3：将头实体特征向量hl切分成dh个长度为dw的向量，以按行堆叠的方式重塑为矩阵
Figure FDA0003838168250000031
步骤4.4：将关系特征向量rL分割成kc个大小相同的块，每个块被切分成kh个长度为kw的向量，以按行堆叠的方式重塑为二维标准卷积核
Figure FDA0003838168250000032
步骤4.5：定义i卷积核的空洞率参数，
Figure FDA0003838168250000033
Figure FDA0003838168250000034
生成不同大小的空洞卷积核
Figure FDA0003838168250000035
步骤4.6：定义Ci为矩阵
Figure FDA0003838168250000036
与空洞率为i的卷积核
Figure FDA0003838168250000037
交互得到的特征输出，*为卷积操作，
Figure FDA0003838168250000038
步骤4.7：定义vec为整平操作，concat为拼接操作，WF为特征投影矩阵，将不同尺度下实体与关系的交互特征进行融合得到特征向量o＝vec(concat(C1；C2；K；Ci)WF)；
步骤4.8：定义f为非线性激活函数，WP为特征投影矩阵，计算特征向量o与尾实体向量的内积相似度来评价三元组(h，r，t)的合理性，得到评分score(h，r，t)＝f(oWP)Tt。
6.根据权利要求1所述的基于知识增强与空洞卷积的冷链物流推荐方法，其特征在于，所述步骤5的具体方法为：
步骤5.1：在模型预测单元将步骤2邻域聚合得到的车源项目特征向量vu与步骤3用户特征向量uL作为输入；
步骤5.2：定义ψ为sigmoid函数，对项目特征向量vu与用户特征向量uL求内积，输出用于u对项目v的项目预测值
Figure FDA0003838168250000039
7.一种基于知识增强与空洞卷积的冷链物流推荐装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时执行权利要求1-6任一项所述的基于知识增强与空洞卷积的冷链物流推荐方法的步骤。
CN202211099276.0A 2022-09-08 2022-09-08 基于知识增强与空洞卷积的冷链物流推荐方法及装置 Active CN115618098B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211099276.0A CN115618098B (zh) 2022-09-08 2022-09-08 基于知识增强与空洞卷积的冷链物流推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211099276.0A CN115618098B (zh) 2022-09-08 2022-09-08 基于知识增强与空洞卷积的冷链物流推荐方法及装置

Publications (2)

Publication Number Publication Date
CN115618098A true CN115618098A (zh) 2023-01-17
CN115618098B CN115618098B (zh) 2023-07-04

Family

ID=84858673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211099276.0A Active CN115618098B (zh) 2022-09-08 2022-09-08 基于知识增强与空洞卷积的冷链物流推荐方法及装置

Country Status (1)

Country Link
CN (1) CN115618098B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756203A (zh) * 2023-06-13 2023-09-15 淮阴工学院 一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置
CN117371623A (zh) * 2023-12-06 2024-01-09 佳源科技股份有限公司 一种电能表运行状态预警方法及系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062983A (zh) * 2018-07-02 2018-12-21 北京妙医佳信息技术有限公司 用于医学健康知识图谱的命名实体识别方法及系统
CN110287412A (zh) * 2019-06-10 2019-09-27 腾讯科技（深圳）有限公司 内容推荐方法、推荐模型生成方法、设备、和存储介质
WO2020215236A1 (zh) * 2019-04-24 2020-10-29 哈尔滨工业大学（深圳） 图像语义分割方法和系统
CN113377968A (zh) * 2021-08-16 2021-09-10 南昌航空大学 一种采用融合实体上下文的知识图谱链路预测方法
CN113449047A (zh) * 2021-07-08 2021-09-28 上海交通大学 知识图谱补全方法与装置
CN113553437A (zh) * 2021-03-30 2021-10-26 福州大学 基于多尺度空洞卷积的时间知识图谱补全方法
WO2022000426A1 (zh) * 2020-06-30 2022-01-06 中国科学院自动化研究所 基于孪生深度神经网络的动目标分割方法及系统
CN113901789A (zh) * 2021-08-31 2022-01-07 艾普工华科技（武汉）有限公司 基于门控空洞卷积和图卷积的方面级情感分析方法及系统
CN113934936A (zh) * 2021-10-22 2022-01-14 南京邮电大学 融合知识图卷积网络和用户偏好的推荐算法
CN114117220A (zh) * 2021-11-26 2022-03-01 东北大学 基于知识增强的深度强化学习交互式推荐系统及方法
CN114240891A (zh) * 2021-12-17 2022-03-25 重庆大学 融合知识图谱和图卷积神经网络的焊点质量识别方法
CN114399251A (zh) * 2021-12-30 2022-04-26 淮阴工学院 基于语义网和簇偏好的冷链物流推荐方法及装置
CN114491247A (zh) * 2022-01-17 2022-05-13 南京邮电大学 一种基于知识图谱和用户长短期兴趣的推荐方法
CN114511452A (zh) * 2021-12-06 2022-05-17 中南大学 融合多尺度空洞卷积和三元组注意力的遥感图像检索方法
CN114661872A (zh) * 2022-02-25 2022-06-24 北京大学 一种面向初学者的api自适应推荐方法与系统
CN114996488A (zh) * 2022-08-08 2022-09-02 北京道达天际科技股份有限公司 一种天网大数据决策级融合方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062983A (zh) * 2018-07-02 2018-12-21 北京妙医佳信息技术有限公司 用于医学健康知识图谱的命名实体识别方法及系统
WO2020215236A1 (zh) * 2019-04-24 2020-10-29 哈尔滨工业大学（深圳） 图像语义分割方法和系统
CN110287412A (zh) * 2019-06-10 2019-09-27 腾讯科技（深圳）有限公司 内容推荐方法、推荐模型生成方法、设备、和存储介质
WO2022000426A1 (zh) * 2020-06-30 2022-01-06 中国科学院自动化研究所 基于孪生深度神经网络的动目标分割方法及系统
CN113553437A (zh) * 2021-03-30 2021-10-26 福州大学 基于多尺度空洞卷积的时间知识图谱补全方法
CN113449047A (zh) * 2021-07-08 2021-09-28 上海交通大学 知识图谱补全方法与装置
CN113377968A (zh) * 2021-08-16 2021-09-10 南昌航空大学 一种采用融合实体上下文的知识图谱链路预测方法
CN113901789A (zh) * 2021-08-31 2022-01-07 艾普工华科技（武汉）有限公司 基于门控空洞卷积和图卷积的方面级情感分析方法及系统
CN113934936A (zh) * 2021-10-22 2022-01-14 南京邮电大学 融合知识图卷积网络和用户偏好的推荐算法
CN114117220A (zh) * 2021-11-26 2022-03-01 东北大学 基于知识增强的深度强化学习交互式推荐系统及方法
CN114511452A (zh) * 2021-12-06 2022-05-17 中南大学 融合多尺度空洞卷积和三元组注意力的遥感图像检索方法
CN114240891A (zh) * 2021-12-17 2022-03-25 重庆大学 融合知识图谱和图卷积神经网络的焊点质量识别方法
CN114399251A (zh) * 2021-12-30 2022-04-26 淮阴工学院 基于语义网和簇偏好的冷链物流推荐方法及装置
CN114491247A (zh) * 2022-01-17 2022-05-13 南京邮电大学 一种基于知识图谱和用户长短期兴趣的推荐方法
CN114661872A (zh) * 2022-02-25 2022-06-24 北京大学 一种面向初学者的api自适应推荐方法与系统
CN114996488A (zh) * 2022-08-08 2022-09-02 北京道达天际科技股份有限公司 一种天网大数据决策级融合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
谢博;申国伟;郭春;周燕;于淼;: "基于残差空洞卷积神经网络的网络安全实体识别方法", 网络与信息安全学报, no. 05, pages 130 - 142 *
陈茹;卢先领;: "融合空洞卷积神经网络与层次注意力机制的中文命名实体识别", 中文信息学报, no. 08, pages 74 - 81 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756203A (zh) * 2023-06-13 2023-09-15 淮阴工学院 一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置
CN116756203B (zh) * 2023-06-13 2024-06-11 淮阴工学院 一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置
CN117371623A (zh) * 2023-12-06 2024-01-09 佳源科技股份有限公司 一种电能表运行状态预警方法及系统
CN117371623B (zh) * 2023-12-06 2024-03-01 佳源科技股份有限公司 一种电能表运行状态预警方法及系统

Also Published As

Publication number Publication date
CN115618098B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN109389151B (zh) 一种基于半监督嵌入表示模型的知识图谱处理方法和装置
JP6395158B2 (ja) シーンの取得画像を意味的にラベル付けする方法
JP6961727B2 (ja) 関心点コピーの生成
CN115618098A (zh) 基于知识增强与空洞卷积的冷链物流推荐方法及装置
CN112200266B (zh) 基于图结构数据的网络训练方法、装置以及节点分类方法
CN110619081A (zh) 一种基于交互图神经网络的新闻推送方法
US20220253722A1 (en) Recommendation system with adaptive thresholds for neighborhood selection
US11640634B2 (en) Deep learning based visual compatibility prediction for bundle recommendations
CN113255895B (zh) 基于图神经网络表示学习的结构图对齐方法和多图联合数据挖掘方法
CN115221413B (zh) 一种基于交互式图注意力网络的序列推荐方法及系统
CN116340648A (zh) 一种基于图协同过滤的知识图注意力网络推荐方法
CN110443574B (zh) 多项目卷积神经网络评审专家推荐方法
CN112633482A (zh) 一种高效宽度图卷积神经网络模型及其训练方法
CN112948696B (zh) 具有隐私保护功能的跨域医疗保健设备推荐方法及系统
CN112905906B (zh) 一种融合局部协同与特征交叉的推荐方法及系统
CN114417161A (zh) 基于异构图的虚拟物品时序推荐方法、装置、介质及设备
US20220253688A1 (en) Recommendation system with adaptive weighted baysian personalized ranking loss
CN113298234A (zh) 一种生成多关系图中节点的表示向量的方法
CN112069412A (zh) 信息推荐方法、装置、计算机设备及存储介质
CN116467466A (zh) 基于知识图谱的编码推荐方法、装置、设备及介质
CN114842247B (zh) 基于特征累加的图卷积网络半监督节点分类方法
CN115601283A (zh) 图像增强方法、装置、计算机设备及计算机可读存储介质
CN115545833A (zh) 一种基于用户社交信息的推荐方法及系统
CN115130663A (zh) 基于图神经网络和注意力机制的异质网络属性补全方法
CN113449193A (zh) 基于多分类图像的信息推荐方法及装置

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
GR01 Patent grant
GR01 Patent grant