CN115757897A - 一种基于知识图卷积网络的文化资源智能推荐方法 - Google Patents
一种基于知识图卷积网络的文化资源智能推荐方法 Download PDFInfo
- Publication number
- CN115757897A CN115757897A CN202210695058.7A CN202210695058A CN115757897A CN 115757897 A CN115757897 A CN 115757897A CN 202210695058 A CN202210695058 A CN 202210695058A CN 115757897 A CN115757897 A CN 115757897A
- Authority
- CN
- China
- Prior art keywords
- entity
- user
- knowledge graph
- representation
- information
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于知识图卷积网络的文化资源智能推荐方法,涉及推荐系统技术领域;通过建立将知识图谱与图卷积网络算法结合的图卷积模型。自动捕获知识图谱中的高阶信息和语义信息,通过使用图卷积网络算法来自动聚合知识图谱中节点的邻域特征,知识图谱中的邻居通过用户对于关系的分数来进行加权操作,表现出知识图谱中的语义信息和用户对于关系的个性化兴趣。根据项目之间的相关性来探索它们之间的潜在联系提高推荐系统的整体性能;合理扩展用户的兴趣,增加推荐项目的多样性;知识图谱中联系用户历史浏览信息和收藏信息,为推荐提供可解释性。
Description
技术领域
本发明涉及推荐系统技术领域,具体涉及一种基于知识图卷积网络的文化资源智能推荐方法。
背景技术
随着协同过滤、深度学习等技术的迅速发展,个性化推荐逐渐成为各大平台和实验室研究的重点方向。在推荐系统领域,协同过滤算法是一种传统的推荐算法,它主要通过分析用户的历史行为进行推荐。利用一种基于用户信任和协同过滤方法的随机游走模型,或利用贝叶斯框架用于给用户推荐当前感兴趣的信息。然而协同过滤算法存在冷启动和用户-项目交互稀疏的问题,同时也很难给出合理的推荐解释。
针对以上问题,研究人员开始通过知识图谱来合理利用一些辅助信息以探索用户与项目之间的潜在联系,为用户更好地推荐他们感兴趣的信息。知识图谱通常包含项目的丰富属性和关系,有助于提升推荐系统的性能。知识图谱的节点对应实体,边表示实体间的关系。将项目及其属性映射到知识图谱可以更好的理解项目间的关系;将用户及其相关信息映射到知识图谱,可以构建用户和项目之间的关系,更加准确地提取用户的偏好。
近几年,研究人员关注于将知识图谱作为辅助信息用于提高推荐系统的性能。例如,将知识图谱与用户的短期偏好相结合,形成一种基于知识图谱的混合框架来来提高推荐系统的性能。MKR模型采用知识图谱嵌入来辅助推荐任务,通过多任务学习自动共享项目的潜在特征,学习项目之间的高阶内在关系。
然而,以上方法虽通过知识图谱提高了推荐模型的性能,却未能充分利用知识图谱的结构信息。其中MKR模型忽略了知识图谱中实体间的邻域关系,造成模型提取的项目的特征不够精确;以上推荐方法也未能同时将用户特征和项目特征与知识图谱进行有效的信息融合,只是单一的考虑项目与实体或者用户与实体之间的联系。
发明内容
针对现有技术的不足,本发明提供一种基于知识图卷积网络的文化资源智能推荐方法,建立将知识图谱与图卷积网络算法结合的图卷积模型。自动捕获知识图谱中的高阶信息和语义信息,通过使用图卷积网络算法来自动聚合知识图谱中节点的邻域特征,知识图谱中的邻居通过用户对于关系的分数来进行加权操作,表现出知识图谱中的语义信息和用户对于关系的个性化兴趣。
本发明提供一种基于知识图卷积网络的文化资源智能推荐方法,包括以下步骤:
步骤1:对推荐场景进行符号化设定,设定用户集、项目集、交互矩阵和知识图谱;
步骤2:设定KGCN层,对于已知知识图谱中的实体,按照用户关系得分来聚合实体邻居节点信息;
步骤3:设定知识图谱中的接受域,将实体及实体邻域表示聚合为单个向量;
步骤4:KGCN层的实体通过自身及直接邻居节点的信息获得最终表示,通过堆叠KGCN层探索高阶连接信息,收集从多跳邻居传播的信息,探索用户的潜在兴趣;
步骤5:设定最终目标预测函数和知识图卷积网络模型的损失函数,通过输入用户信息为用户推荐用户感兴趣的文化资源。
所述实体的最终表示为1阶实体表示。
所述步骤1的具体步骤包括:
步骤1.1:在推荐场景下,设定U={u1,u2,…,uM}为用户集和I={i1,i2,…,iN}为项目集;
步骤1.2:根据用户的隐式反馈,将用户集与项目集的交互矩阵设定为Y={yui|u∈U,i∈I},Y∈RM×N,如式(1)所示:
用户u与项目i存在交互时,yui=1;否则,yui=0;
步骤1.3:由三元组(h,r,t)构成知识图谱G,其中,h∈E,表示为三元组的头实体;r∈R,表示为三元组实体间的关系;t∈R,表示为三元组的尾实体;E表示G中的实体集合,R表示G中关系集合。
所述步骤2的具体步骤包括:
步骤2.3;获取项目i的拓扑临近结构,计算与项目直接相连的节点的线性组合,如式(4)所示:
所述步骤3的具体步骤包括:
步骤3.1:将聚合的邻居节点个数设定为固定值K,对于邻居节点数量大于K的实体随机抽取K个邻居节点,邻居节点数量小于K的实体则对邻居节点进行复制得到K个邻居节点;
其中W∈Rd×d是模型训练得到的权重矩阵,b表示偏置,LeakyReLU为非线性函数,⊙表示元素乘积。
所述步骤4的具体步骤包括:
步骤4.2:在第h层中,我们递归地将实体的表示如式(7)所示:
对于给定的用户-项目对(u,i),通过迭代的方式计算实体i的接受域RF,直至迭代H次其中,H表示接受域的最大深度,后缀[h]表示h阶;在迭代过程中,计算每个实体e∈RF[h的邻域表示,将每个实体的邻域表示与实体自身的表示聚合得到
所述步骤5的具体步骤包括:
步骤5.1:最终的H阶实体表示为iu;用户u对于项目iu的预测函数表示,如式(8)所示:
其中,f表示非线性函数;
步骤5.2:对于KGCN模型,损失函数如式(9)所示:
有益技术效果:
1、本发明采用的知识图卷积网络模型,将知识图谱与图卷积网络结合起来并应用到文化资源推荐系统中,在此基础上,设计了一个聚合函数来提高模型的性能。
2、本发明采用的基于知识图卷积网络模型,使用知识图谱技术,具有以下优点:
(1)根据项目之间的相关性来探索它们之间的潜在联系提高推荐系统的整体性能;
(2)合理扩展用户的兴趣,增加推荐项目的多样性;
(3)知识图谱中联系用户历史浏览信息和收藏信息,为推荐提供可解释性。
3、本发明采用的知识图卷积网络模型,可以有效地解决推荐系统中冷启动和用户-项目稀疏性等问题,在此基础上,该模型通过使用图卷积网络来自动聚合知识图谱中节点的邻域特征;知识图谱中的邻居通过用户对于关系的分数来进行加权操作,表现出知识图谱中的语义信息和用户对于关系的个性化兴趣。
附图说明
图1为本发明实施例提供的一种基于知识图卷积网络的文化资源智能推荐方法的流程图;
图2为本发明实施例提供的知识图谱中的接受域的示意图;
图3为本发明实施例提供的邻域聚合的示意图;
图4为本发明实施例提供的Top-K推荐实验结果示意图;
其中,图4(a)为MovieLen-20M(F1)结果示意图;图4(b)为MovieLen-20M数据集结果示意图;图4(c)为MovieLen-20M数据集结果示意图;图4(d)为MovieLen-1M数据集结果示意图;图4(e)为MovieLen-1M数据集结果示意图;图4(f)为MovieLen-1M数据集结果示意图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
本实施方式中,以公开的MovieLen-20M数据集为例,对本实施方式的改进知识图卷积网络模型进行说明。
MovieLen-20M数据集是明尼苏达大学计算机科学与工程系发布的电影评分基准数据集。数据集是有电影五星评分活动得到的。数据集内包含138000名用户对27000部电影的2000000个评分和465000个标签。用户是随机选择的。所有选定的用户都对至少20部电影进行了评分。每个用户只包含ID,不包含其他任何信息。
本实施例提供一种基于知识图卷积网络的文化资源智能推荐方法,如图1所示,包括以下步骤:
步骤1:获取电影评分数据集并对数据集进行预处理;
步骤1.1:将项目的索引按顺序映射为实体ID,并使用python中的字典将各个项目索引对应的实体ID存储起来;对原始实体关系数据集进行处理,在MovieLen-20M数据集中,将所有关系映射为0-32;
例如:“film.film.producer”关系映射为0,并将映射后的关系使用字典存储起来;
步骤1.2:通过数据集建立用户集U={u1,u2,…,uM}和项目集I={i1,i2,…,iN};
步骤1.3:根据数据集中用户的隐式反馈,将用户集与项目集的交互矩阵设定为Y=
{yui|u∈U,i∈I},Y∈RM×N,其中:
当yui=1时,说明用户u与项目i存在交互,例如:播放、转发和点赞等行为;否则,yui=0;
步骤1.4:通过转换后的实体ID与实体之间的关系建立知识图谱G;知识图谱G由三元组(h,r,t)构成,其中,h∈E,表示为三元组的头实体;r∈R,表示为三元组实体间的关系;t∈R,表示为三元组的尾实体;E表示G中的实体集合,R表示G中关系集合;
步骤1.5:将建立好的知识图谱数据与用户对于项目的评分数据处理成可供训练的数据集;
步骤2:创建单个KGCN层;并且对于已知的知识图谱中的实体,按照用户关系得分来聚合实体邻居节点信息;
步骤2.3:获取项目i的拓扑临近结构,计算与项目直接相连的节点的线性组合,如式(4)所示:
步骤3:设定知识图谱中的接受域,将实体及实体邻域表示聚合为单个向量,包括以下步骤:
步骤3.1:将聚合的邻居节点个数设定为固定值K,对于邻居节点数量大于K的实体随机抽取K个邻居节点,邻居节点数量小于K的实体对邻居节点进行复制得到K个邻居节点;
步骤3.2:计算得到实体i的邻域表示记作其中S(i)|=K;S(i)为实体i的单层接受域;在对目标实体进行邻域聚合时,对实体分层并通过对实体之间的多跳操作来建立高阶的实体依赖信息;如图2所示,知识图谱中心节点的两层接受域示意图;
其中,W∈Rd×d是模型训练得到的权重矩阵,b表示偏置,LeakyReLU为非线性函数,⊙表示元素乘积;在本实施例中,|S(i)|设置为4;
步骤4:通过KGCN层的实体的最终表示取决于自身及其直接邻居,将其命名为1阶实体表示,通过堆叠KGCN层探索高阶连接信息,收集从多跳邻居传播的信息,探索用户的潜在兴趣;
步骤4.2:在第h层中,我们递归地将实体的表示为:
其中,表示实体i对于用户u的第h跳聚合;e'u[h-1]是来自其[h-2]跳的邻居的信息聚合生成的实体表示;图3为邻域聚合的示意图,说明了一次迭代中的KGCN算法,其中将给定节点的实体表示iu[h];绿色节点表示实体i的邻域;第h跳聚合形成的结果用蓝色节点表示;在本实验中,将H设置为2;
步骤5:设定最终目标预测函数和知识图卷积网络模型的损失函数,通过输入用户信息为用户推荐用户感兴趣的文化资源;具体包括以下步骤:
步骤5.1:最终的H阶实体表示为iu;用户u对于项目iu的预测函数表示,如式(8)所示:
其中,f表示非线性函数;
步骤5.2:对于KGCN模型,损失函数,如式(9)所示:
其中,是交叉熵损失函数,P是负样本分布,Tu是用户u的负样本数;其中,Tu=|{i:yui=1}|并且P服从均匀分布,是L2正则化项,防止过拟合,λ为超参数;在本实施例中,将λ设置为5×10-7,在本实施例中,采用小批量的训练方式,令batch size=65535。
为进一步对本发明进行详细说明,采用公开数据集MovieLen-20M和MovieLen-1M对本发明进行了测试实验。
本发明采用了推荐系统普遍使用的五种性能评价指标,包括:准确率(Accuracy,ACC)、ROC曲线下与坐标轴围成的面积(Area Under Curve,AUC)、精确率(Precision)、F1值(F1)、召回率(Recall)。
其中,准确率和AUC使用来评估点击率(CTR)实验的指标,精确率、F1和召回率是用来评价Top-K推荐实验的指标。
此五个指标均是取值越高,检索性能越好。
表1点击率实验结果(ACC和AUC)
表2 Top-K推荐实验结果(MovieLen-20M)
表3 Top-K推荐实验结果(MovieLen-1M)
本发明在数据集MovieLen-20M和PASCALVOC2012上,分别与MKR和RippleNet两个基线模型进行了对比实验,在CTR实验中,我们评估了三个模型的准确率和AUC两个指标,如表1所示;在Top-K推荐实验中,我们评估了三个模型的精确率、F1值和召回率三个指标,测试结果,如图4(a)-图4(f)所示,参阅表2及表3。
本发明在上述五个指标上均由于基线模型,说明了本发明在综合性能、推荐效果上的良好效果。本发明在MovieLen-1M数据集上同样也能表现出较高性能,说明本发明可以有效的解决稀疏性问题。
Claims (7)
1.一种基于知识图卷积网络的文化资源智能推荐方法,其特征在于:包括以下步骤:
步骤1:对推荐场景进行符号化设定,设定用户集、项目集、交互矩阵和知识图谱;
步骤2:设定KGCN层,对于已知知识图谱中的实体,按照用户关系得分来聚合实体邻居节点信息;
步骤3:设定知识图谱中的接受域,将实体及实体邻域表示聚合为单个向量;
步骤4:KGCN层的实体通过自身及直接邻居节点的信息获得最终表示,通过堆叠KGCN层探索高阶连接信息,收集从多跳邻居传播的信息,探索用户的潜在兴趣;
步骤5:设定最终目标预测函数和知识图卷积网络模型的损失函数,通过输入用户信息为用户推荐用户感兴趣的文化资源。
2.根据权利要求1所述的基于知识图卷积网络的文化资源智能推荐方法,其特征在于:所述实体的最终表示为1阶实体表示。
4.根据权利要求1所述的基于知识图卷积网络的文化资源智能推荐方法,其特征在于:
所述步骤2的具体步骤包括:
步骤2.3;获取项目i的拓扑临近结构,计算与项目直接相连的节点的线性组合,如式(4)所示:
5.根据权利要求1所述的基于知识图卷积网络的文化资源智能推荐方法,其特征在于:
所述步骤3的具体步骤包括:
步骤3.1:将聚合的邻居节点个数设定为固定值K,对于邻居节点数量大于K的实体随机抽取K个邻居节点,邻居节点数量小于K的实体则对邻居节点进行复制得到K个邻居节点;
其中W∈Rd×d是模型训练得到的权重矩阵,b表示偏置,LeakyReLU为非线性函数,⊙表示元素乘积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210695058.7A CN115757897A (zh) | 2022-06-20 | 2022-06-20 | 一种基于知识图卷积网络的文化资源智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210695058.7A CN115757897A (zh) | 2022-06-20 | 2022-06-20 | 一种基于知识图卷积网络的文化资源智能推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115757897A true CN115757897A (zh) | 2023-03-07 |
Family
ID=85349958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210695058.7A Pending CN115757897A (zh) | 2022-06-20 | 2022-06-20 | 一种基于知识图卷积网络的文化资源智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115757897A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992137A (zh) * | 2023-07-31 | 2023-11-03 | 中国科学院地理科学与资源研究所 | 一种顾及空间异质性的可解释生态文明模式推荐方法 |
-
2022
- 2022-06-20 CN CN202210695058.7A patent/CN115757897A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992137A (zh) * | 2023-07-31 | 2023-11-03 | 中国科学院地理科学与资源研究所 | 一种顾及空间异质性的可解释生态文明模式推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cen et al. | Representation learning for attributed multiplex heterogeneous network | |
Luo et al. | Personalized recommendation by matrix co-factorization with tags and time information | |
Wang et al. | A brief review of network embedding | |
Cai et al. | User cold-start recommendation via inductive heterogeneous graph neural network | |
US11636394B2 (en) | Differentiable user-item co-clustering | |
CN112417313A (zh) | 一种基于知识图卷积网络的模型混合推荐方法 | |
CN114461907B (zh) | 一种基于知识图谱的多元环境感知推荐方法及系统 | |
Xiao et al. | Link prediction based on feature representation and fusion | |
Lin et al. | Quality of information-based source assessment and selection | |
CN113918834B (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
CN116010708A (zh) | 一种基于知识图谱的多对比学习推荐方法 | |
CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
CN116401380B (zh) | 面向异构知识图谱的对比学习预测方法及系统 | |
CN112667824A (zh) | 基于多语义学习的知识图谱补全方法 | |
Guo et al. | Hyperbolic Contrastive Graph Representation Learning for Session-based Recommendation | |
Xue et al. | Relation-based multi-type aware knowledge graph embedding | |
CN115757897A (zh) | 一种基于知识图卷积网络的文化资源智能推荐方法 | |
Zhang et al. | Knowledge graph driven recommendation model of graph neural network | |
Chang et al. | KGTN: Knowledge Graph Transformer Network for explainable multi-category item recommendation | |
Sang et al. | Position-aware graph neural network for session-based recommendation | |
AT&T | ||
Zhao et al. | Folkrank++: an optimization of Folkrank tag recommendation algorithm integrating user and item information | |
Yang et al. | Bottom-up and top-down graph pooling | |
Bai et al. | GroupDiff: Exploring A Unified Graph Structure and High-order Interactions for Group Recommendation | |
Zhang et al. | SARC: Split-and-recombine networks for knowledge-based recommendation |
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 |