CN115795022A - 一种基于知识图谱的推荐方法、系统、设备及存储介质 - Google Patents

Abstract

本发明提供一种基于知识图谱的推荐方法、系统、设备及存储介质，方法包括以下步骤：S1：获取用户兴趣的嵌入表征向量：利用知识图谱根据用户浏览记录获取隐含关联项目，计算隐含关联项目的注意力得分并聚合，得到用户兴趣的嵌入表征向量；以及获取候选项目的嵌入表征向量：利用知识图谱根据项目信息获取与用户偏好相近的候选项目，计算候选项目的注意力得分并聚合，得到候选项目的嵌入表征向量；S2：根据用户兴趣的嵌入表征向量和候选项目的嵌入表征向量预测用户与候选项目的交互概率，根据预测得到的交互概率进行推荐。本发明提供一种基于知识图谱的推荐方法、系统、设备及存储介质，解决了现有的知识图谱推荐方法的推荐效果不佳的问题。

Description

一种基于知识图谱的推荐方法、系统、设备及存储介质

技术领域

本发明涉及知识图谱的技术领域，更具体的，涉及一种基于知识图谱的推荐方法、系统、设备及存储介质。

背景技术

在信息爆炸的社会，人们面对的信息量呈指数级增长。个性化推荐技术是一个帮助用户快速找到他们可能感兴趣的信息的技术，其目的是通过研究如何处理海量的异构数据，构建最优的用户偏好模型，帮助用户有效缓解信息过载。

近年来，随着图神经网络的兴起，推荐领域引入图神经网络的应用也日益成为研究热点。考虑到用户-项目之间的关系并非只是二维结构所能完全反映的，以图结构的形式对数据进行建模更能真实揭示数据之间的关联关系。此外，知识图谱的应用能够以辅助信息的形式填充原始数据的不足，一定程度上解决困扰研究者们已久的数据稀疏性问题，同时也能从项目的语义信息层面进一步挖掘出隐含信息，而非仅仅通过历史纪录等显性数据来进行建模，从而更加精确地刻画用户画像和项目特征，从而进行更为有效的具备可解释性的个性化推荐。

但是现有的知识图谱推荐方法大多是注重利用项目端的知识图谱来挖掘项目之间的隐含信息，而忽略用户端与项目端的差异，无法准确地计算用户的偏好以及基于用户偏好的项目特性，导致推荐效果不佳。

发明内容

本发明为克服现有的知识图谱推荐方法的推荐效果不佳的技术缺陷，提供一种基于知识图谱的推荐方法、系统、设备及存储介质。

为解决上述技术问题，本发明的技术方案如下：

一种基于知识图谱的推荐方法，包括以下步骤：

S1：获取用户兴趣的嵌入表征向量：

利用知识图谱根据用户浏览记录获取隐含关联项目，计算隐含关联项目的注意力得分并聚合，得到用户兴趣的嵌入表征向量；

以及获取候选项目的嵌入表征向量：

利用知识图谱根据项目信息获取与用户偏好相近的候选项目，计算候选项目的注意力得分并聚合，得到候选项目的嵌入表征向量；

S2：根据用户兴趣的嵌入表征向量和候选项目的嵌入表征向量预测用户与候选项目的交互概率，根据预测得到的交互概率进行推荐。

上述方案中，分别从用户端和项目端按照知识图谱的传播链路进行注意力得分计算和聚合，对应得到用户兴趣的嵌入表征向量和候选项目的嵌入表征向量，结合用户端和项目端来预测用户与候选项目的交互概率，根据预测得到的交互概率进行推荐，合理考虑了用户端和项目端的特征信息，提升了推荐效果，具有广阔的推广空间和使用价值。

优选的，所述用户偏好为与用户浏览项目相关联的所有尾实体项目的聚合表示。

优选的，通过以下步骤得到用户兴趣的嵌入表征向量：

在知识图谱中传播的每一层采样预设数量的邻居节点，通过偏好传播得到用户在不同阶数的领域节点集合：

假设用户u产生交互的项目的集合为V_u＝{v|y_u,v＝1}，y_u,v＝1表示用户u与项目v之间有交互，则用户兴趣的嵌入表征为：

通过聚合用户在所有阶数的领域节点集合的用户兴趣的嵌入表征u_Nu以及用户的原始表征得到用户兴趣的嵌入表征向量e_u；

其中，

表示用户在第1阶的领域节点集合，

表示用户在第2阶的领域节点集合，

表示用户在第k阶的领域节点集合，N(u)表示用户的所有阶数的领域节点集合，

表示隐含关联项目的注意力得分，h表示头实体项目，r表示关系，t表示尾实体项目，π^u _r,v＝v^Te_re_h表示用户端的未归一化的注意力得分；e_r表示知识图谱三元组中关系r的嵌入表征向量，e_h表示知识图谱三元组中头实体项目的嵌入表征向量；e_t表示知识图谱三元组中尾实体项目的嵌入表征向量，

表示用户产生过交互的项目的邻域信息，G表示项目端的知识图谱。

优选的，用户兴趣的嵌入表征的聚合公式包括：

agg_sum＝sigmoid(W(u+u_Nu)+b)

agg_concat＝sigmoid(Wconcat(u,u_Nu)+b)

agg_{bi-intercation}＝LeakyRelu(W₁(u+u_Nu)+b₁)+LeakyRelu(W₂(u+u_Nu)+b₂)

其中，agg_sum表示加法聚合器，b、b₁、b₂分别表示不同的正则项，sigmoid表示sigmoid函数，agg_concat表示联结聚合器，Wconcat、W₁、W₂分别表示不同的可学习的训练参数，agg_{bi-intercation}表示双线性聚合器，LeakyRelu是一种基于ReLU的激活函数，用于为所有的负值分配一个非零的斜率。

优选的，通过以下步骤得到候选项目的嵌入表征向量：

计算候选项目的注意力得分

计算与项目v关联的尾实体的集合

聚合项目v的尾实体本身以及与项目v的尾实体关联的所有领域节点得到实体的嵌入表征向量

将实体投射到用户的空间上来优化实体的嵌入表征，融合得到单层关联实体的向量

将各层关联实体的向量聚合得到相应层领域节点的嵌入表征向量：

聚合各层领域节点的嵌入表征向量得到候选项目的嵌入表征向量e_v；

其中，π^k表示未归一化的注意力得分，W₀、W₂表示不同的可学习的训练参数，concat表示将向量联结，

表示与项目v的尾实体关联的第k个头实体，

表示与项目v的尾实体关联的第k个关系，

表示尾实体的嵌入表征向量，b₀表示正则项，h_k表示与尾实体关联的第k个头实体，N(t_v)表示与项目v关联的尾实体的集合，

表示与项目v的尾实体关联的第k个头实体的嵌入表征向量，W₁表示可学习的训练参数，sigmoid表示sigmoid函数，u表示用户，b表示正则项，

表示项目v在第l层的最终嵌入表征向量，t_v表示与项目v相关联的尾实体t，

表示与项目v在第l层所有关联的尾实体的集合。

上述方案中，结合知识图谱的三元组结构特点，分别从实体注意力和关系注意力得到关联项目的注意力得分，并聚合得到候选项目的嵌入表征向量；其中，实体注意力从用户兴趣偏好的角度对候选物品进行建模，有效地模拟了用户的不同偏好之间的重要性；关系注意力从物品之间的本身关联关系对候选物品进行建模，能够更好地衡量不同物品和候选物品之间的相似程度。

优选的，候选项目的嵌入表征的聚合公式包括：

agg_sum＝sigmoid(W(v+v_Nv)+b)

agg_concat＝sigmoid(Wconcat(v,v_Nv)+b)

agg_{bi-intercation}＝LeakyRelu(W₁(v+v_Nv)+b₁)+LeakyRelu(W₂(v+v_Nv)+b₂)

其中，v_Nv表示项目v的关联项目集合。

上述方案中，通过先找到与项目v发生过交互的所有用户，将这些用户的所有交互过的项目作为项目v的关联项目集合。

优选的，利用以下预测函数预测用户与候选项目的交互概率：

其中，σ表示sigmoid函数，

表示用户兴趣的嵌入表征向量e_u的转置。

本发明基于所述的一种基于知识图谱的推荐方法，还提出了一种基于知识图谱的推荐系统，包括：

用户兴趣的嵌入表征向量计算模块，用于利用知识图谱根据用户浏览记录获取隐含关联项目，计算隐含关联项目的注意力得分并聚合，得到用户兴趣的嵌入表征向量；

候选项目的嵌入表征向量计算模块，用于利用知识图谱根据项目信息获取与用户偏好相近的候选项目，计算候选项目的注意力得分并聚合，得到候选项目的嵌入表征向量；

交互概率预测模块，用于根据用户兴趣的嵌入表征向量和候选项目的嵌入表征向量预测用户与候选项目的交互概率；

推荐模块，用于根据预测得到的交互概率进行推荐。

本发明基于所述的一种基于知识图谱的推荐方法，还提出了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，使得所述处理器执行所述的一种基于知识图谱的推荐方法。

本发明基于所述的一种基于知识图谱的推荐方法，还提出了一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，使得所述处理器执行所述的一种基于知识图谱的推荐方法。

与现有技术相比，本发明技术方案的有益效果是：

本发明提供了一种基于知识图谱的推荐方法、系统、设备及存储介质，分别从用户端和项目端按照知识图谱的传播链路进行注意力得分计算和聚合，对应得到用户兴趣的嵌入表征向量和候选项目的嵌入表征向量，结合用户端和项目端来预测用户与候选项目的交互概率，根据预测得到的交互概率进行推荐，合理考虑了用户端和项目端的特征信息，提升了推荐效果，具有广阔的推广空间和使用价值。

附图说明

图1为本发明的技术方案实施步骤流程图；

图2为本发明的整体框架示意图；

图3为本发明中候选项目的嵌入表征向量的聚合过程示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1-2所示，一种基于知识图谱的推荐方法，包括以下步骤：

S1：获取用户兴趣的嵌入表征向量：

利用知识图谱根据用户浏览记录获取隐含关联项目，计算隐含关联项目的注意力得分并聚合，得到用户兴趣的嵌入表征向量；

以及获取候选项目的嵌入表征向量：

利用知识图谱根据项目信息获取与用户偏好相近的候选项目，计算候选项目的注意力得分并聚合，得到候选项目的嵌入表征向量；

S2：根据用户兴趣的嵌入表征向量和候选项目的嵌入表征向量预测用户与候选项目的交互概率，根据预测得到的交互概率进行推荐。

在具体实施过程中，分别从用户端和项目端按照知识图谱的传播链路进行注意力得分计算和聚合，对应得到用户兴趣的嵌入表征向量和候选项目的嵌入表征向量，结合用户端和项目端来预测用户与候选项目的交互概率，根据预测得到的交互概率进行推荐，合理考虑了用户端和项目端的特征信息，提升了推荐效果，具有广阔的推广空间和使用价值。

实施例2

一种基于知识图谱的推荐方法，包括以下步骤：

S1：获取用户兴趣的嵌入表征向量：

利用知识图谱根据用户浏览记录获取隐含关联项目，计算隐含关联项目的注意力得分并聚合，得到用户兴趣的嵌入表征向量；

以及获取候选项目的嵌入表征向量：

利用知识图谱根据项目信息获取与用户偏好相近的候选项目，计算候选项目的注意力得分并聚合，得到候选项目的嵌入表征向量；

在具体实施过程中，利用知识图谱根据项目信息获取与用户偏好相近的候选项目的步骤具体为：利用Trans的思想，将头实体项目和尾实体项目映射到关系空间，通过距离公式计算拟合实体向量之间的相似性程度，若计算得到的距离小于预设的距离阈值，则说明头实体项目和尾实体项目相似，且距离越小越相近，即与用户偏好越相近。

S2：根据用户兴趣的嵌入表征向量和候选项目的嵌入表征向量预测用户与候选项目的交互概率，根据预测得到的交互概率进行推荐。

更具体的，所述用户偏好为与用户浏览项目相关联的所有尾实体项目的聚合表示。

在具体实施过程中，用户偏好体现在用户的浏览记录及其邻域信息。以电影推荐为例，用户观看过属于科幻片系列的《钢铁侠》，可以认为该用户对科幻类型的电影有兴趣。获取用户观看记录的邻域信息，通过向量生成神经网络并聚合生成用户兴趣的嵌入表征向量。对于项目节点，项目邻域包含着对于项目关联信息的扩展。电影《钢铁侠》的主演是小罗伯特·唐尼，则可以沿着知识图谱中的链路对该演员的信息进行扩展，在注意力网络中加入用户偏好获取更符合用户喜好的邻域信息，将邻域信息进行聚合以表示项目。

更具体的，通过以下步骤得到用户兴趣的嵌入表征向量：

为了减少噪声的引入同时降低领域节点集的数量，在知识图谱中传播的每一层采样预设数量的邻居节点，通过偏好传播得到用户在不同阶数的领域节点集合：

假设用户u产生交互的项目的集合为V_u＝{v|y_u,v＝1}，y_u,v＝1表示用户u与项目v之间有交互，则用户兴趣的嵌入表征为：

通过聚合用户在所有阶数的领域节点集合的用户兴趣的嵌入表征u_Nu以及用户的原始表征得到用户兴趣的嵌入表征向量e_u；

其中，

表示用户在第1阶的领域节点集合，

表示用户在第2阶的领域节点集合，

表示用户在第k阶的领域节点集合，N(u)表示用户的所有阶数的领域节点集合，

表示隐含关联项目的注意力得分，h表示头实体项目，r表示关系，t表示尾实体项目，π^u _r,v＝v^Te_re_h表示用户端的未归一化的注意力得分；e_r表示知识图谱三元组中关系r的嵌入表征向量，e_h表示知识图谱三元组中头实体项目的嵌入表征向量；e_t表示知识图谱三元组中尾实体项目的嵌入表征向量，

表示用户产生过交互的项目的邻域信息，G表示项目端的知识图谱。

在具体实施过程中，知识图谱中的三元组表示为(h,r,t)，根据用户浏览项目在知识图谱中按层数不超过3的限制找到所有尾实体项目，然后将h、r、t输入到注意力网络中获得注意力得分。

更具体的，用户兴趣的嵌入表征的聚合公式包括：

agg_sum＝sigmoid(W(u+u_Nu)+b)

agg_concat＝sigmoid(Wconcat(u,u_Nu)+b)

agg_{bi-intercation}＝LeakyRelu(W₁(u+u_Nu)+b₁)+LeakyRelu(W₂(u+u_Nu)+b₂)

其中，agg_sum表示加法聚合器，b、b₁、b₂分别表示不同的正则项，sigmoid表示sigmoid函数，agg_concat表示联结聚合器，Wconcat、W₁、W₂分别表示不同的可学习的训练参数，agg_{bi-intercation}表示双线性聚合器，LeakyRelu是一种基于ReLU的激活函数，用于为所有的负值分配一个非零的斜率。

在具体实施过程中，通过三种不同的聚合器来聚合用户在所有阶数的领域节点集合的用户兴趣的嵌入表征u_Nu以及用户的原始表征得到用户兴趣的嵌入表征向量e_u。

更具体的，如图3所示，通过以下步骤得到候选项目的嵌入表征向量：

计算候选项目的注意力得分

计算与项目v关联的尾实体的集合

聚合项目v的尾实体本身以及与项目v的尾实体关联的所有领域节点得到实体的嵌入表征向量

在聚合实体信息的过程中加入用户偏好的向量，促使在知识图谱中进行偏好传播的时候沿着特定于用户的方向进行传播，从而捕获更加符合用户偏好的领域节点集合，具体通过将实体投射到用户的空间上来优化实体的嵌入表征，融合得到单层关联实体的向量

将各层关联实体的向量聚合得到相应层领域节点的嵌入表征向量：

通过单层的领域节点聚合，实体的最终表示由它自身以及领域节点决定，并将其从一层扩展到多层，分别从纵向深入和横向扩展的方式建模项目的潜在信息；

最后，聚合各层领域节点的嵌入表征向量得到候选项目的嵌入表征向量e_v；

其中，π^k表示未归一化的注意力得分，W₀、W₂表示不同的可学习的训练参数，concat表示将向量联结，

表示与项目v的尾实体关联的第k个头实体，

表示与项目v的尾实体关联的第k个关系，

表示尾实体的嵌入表征向量，b₀表示正则项，h_k表示与尾实体关联的第k个头实体，N(t_v)表示与项目v关联的尾实体的集合，

表示与项目v的尾实体关联的第k个头实体的嵌入表征向量，W₁表示可学习的训练参数，sigmoid表示sigmoid函数，u表示用户，b表示正则项，

表示项目v在第l层的最终嵌入表征向量，t_v表示与项目v相关联的尾实体t，

表示与项目v在第l层所有关联的尾实体的集合。

在具体实施过程中，结合知识图谱的三元组结构特点，分别从实体注意力和关系注意力得到关联项目的注意力得分，并聚合得到候选项目的嵌入表征向量。其中，实体注意力从用户兴趣偏好的角度对候选项目进行建模，有效地模拟了用户的不同偏好之间的重要性，以用户观看电影为例，有些用户会以演员为主选择相应的电影，有些用户也会以电影题材或者导演因素为主选择电影，由此认为用户偏好侧重点会影响到用户对实体的选择；具体采用注意力神经网络拟合各实体向量之间的相似性程度，然后利用softmax函数对相似性计算结果进行归一化求得注意力权重系数。关系注意力从项目之间的本身关联关系对候选项目进行建模，能够更好地衡量不同项目和候选项目之间的相似程度。

更具体的，候选项目的嵌入表征的聚合公式包括：

agg_sum＝sigmoid(W(v+v_Nv)+b)

agg_concat＝sigmoid(Wconcat(v,v_Nv)+b)

agg_{bi-intercation}＝LeakyRelu(W₁(v+v_Nv)+b₁)+LeakyRelu(W₂(v+v_Nv)+b₂)

其中，v_Nv表示项目v的关联项目集合。

在具体实施过程中，通过先找到与项目v发生过交互的所有用户，将这些用户的所有交互过的项目作为项目v的关联项目集合。

更具体的，利用以下预测函数预测用户与候选项目的交互概率：

其中，σ表示sigmoid函数，

表示用户兴趣的嵌入表征向量e_u的转置。

在具体实施过程中，预测函数的损失函数为：

通过损失函数的约束不断收敛达到训练自我优化的效果；

其中，Γ为交叉熵损失函数，p是服从正态分布的负采样。

实施例3

本发明基于所述的一种基于知识图谱的推荐方法，还提出了一种基于知识图谱的推荐系统，包括：

用户兴趣的嵌入表征向量计算模块，用于利用知识图谱根据用户浏览记录获取隐含关联项目，计算隐含关联项目的注意力得分并聚合，得到用户兴趣的嵌入表征向量；

候选项目的嵌入表征向量计算模块，用于利用知识图谱根据项目信息获取与用户偏好相近的候选项目，计算候选项目的注意力得分并聚合，得到候选项目的嵌入表征向量；

交互概率预测模块，用于根据用户兴趣的嵌入表征向量和候选项目的嵌入表征向量预测用户与候选项目的交互概率；

推荐模块，用于根据预测得到的交互概率进行推荐。

实施例4

本发明基于所述的一种基于知识图谱的推荐方法，还提出了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，使得所述处理器执行实施例1或实施例2所述的一种基于知识图谱的推荐方法。

实施例5

本发明基于所述的一种基于知识图谱的推荐方法，还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行实施例1或实施例2所述的一种基于知识图谱的推荐方法。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于知识图谱的推荐方法，其特征在于，包括以下步骤：

S1：获取用户兴趣的嵌入表征向量：

利用知识图谱根据用户浏览记录获取隐含关联项目，计算隐含关联项目的注意力得分并聚合，得到用户兴趣的嵌入表征向量；

以及获取候选项目的嵌入表征向量：

利用知识图谱根据项目信息获取与用户偏好相近的候选项目，计算候选项目的注意力得分并聚合，得到候选项目的嵌入表征向量；

S2：根据用户兴趣的嵌入表征向量和候选项目的嵌入表征向量预测用户与候选项目的交互概率，根据预测得到的交互概率进行推荐。

2.根据权利要求1所述的一种基于知识图谱的推荐方法，其特征在于，所述用户偏好为与用户浏览项目相关联的所有尾实体项目的聚合表示。

3.根据权利要求1所述的一种基于知识图谱的推荐方法，其特征在于，通过以下步骤得到用户兴趣的嵌入表征向量：

在知识图谱中传播的每一层采样预设数量的邻居节点，通过偏好传播得到用户在不同阶数的领域节点集合：

假设用户u产生交互的项目的集合为V_u＝{v|y_u,v＝1}，y_u,v＝1表示用户u与项目v之间有交互，则用户兴趣的嵌入表征为：

通过聚合用户在所有阶数的领域节点集合的用户兴趣的嵌入表征u_Nu以及用户的原始表征得到用户兴趣的嵌入表征向量e_u；

其中，

表示用户在第1阶的领域节点集合，

表示用户在第2阶的领域节点集合，

表示用户在第k阶的领域节点集合，N(u)表示用户的所有阶数的领域节点集合，

表示隐含关联项目的注意力得分，h表示头实体项目，r表示关系，t表示尾实体项目，π^u _r,v＝v^Te_re_h表示用户端的未归一化的注意力得分；e_r表示知识图谱三元组中关系r的嵌入表征向量，e_h表示知识图谱三元组中头实体项目的嵌入表征向量；e_t表示知识图谱三元组中尾实体项目的嵌入表征向量，

表示用户产生过交互的项目的邻域信息，G表示项目端的知识图谱。

4.根据权利要求3所述的一种基于知识图谱的推荐方法，其特征在于，用户兴趣的嵌入表征的聚合公式包括：

agg_sum＝sigmoid(W(u+u_Nu)+b)

agg_concat＝sigmoid(Wconcat(u,u_Nu)+b)

agg_{bi-intercation}＝LeakyRelu(W₁(u+u_Nu)+b₁)+LeakyRelu(W₂(u+u_Nu)+b₂)

其中，agg_sum表示加法聚合器，b、b₁、b₂分别表示不同的正则项，sigmoid表示sigmoid函数，agg_concat表示联结聚合器，Wconcat、W₁、W₂分别表示不同的可学习的训练参数，agg_{bi-intercation}表示双线性聚合器，LeakyRelu是一种基于ReLU的激活函数，用于为所有的负值分配一个非零的斜率。

5.根据权利要求1所述的一种基于知识图谱的推荐方法，其特征在于，通过以下步骤得到候选项目的嵌入表征向量：

计算候选项目的注意力得分

计算与项目v关联的尾实体的集合

聚合项目v的尾实体本身以及与项目v的尾实体关联的所有领域节点得到实体的嵌入表征向量

将实体投射到用户的空间上来优化实体的嵌入表征，融合得到单层关联实体的向量

将各层关联实体的向量聚合得到相应层领域节点的嵌入表征向量：

聚合各层领域节点的嵌入表征向量得到候选项目的嵌入表征向量e_v；

其中，π^k表示未归一化的注意力得分，W₀、W₂表示不同的可学习的训练参数，concat表示将向量联结，

表示与项目v的尾实体关联的第k个头实体，

表示与项目v的尾实体关联的第k个关系，

表示尾实体的嵌入表征向量，b₀表示正则项，h_k表示与尾实体关联的第k个头实体，N(t_v)表示与项目v关联的尾实体的集合，

表示与项目v的尾实体关联的第k个头实体的嵌入表征向量，W₁表示可学习的训练参数，sigmoid表示sigmoid函数，u表示用户，b表示正则项，

表示项目v在第l层的最终嵌入表征向量，t_v表示与项目v相关联的尾实体t，

表示与项目v在第l层所有关联的尾实体的集合。

6.根据权利要求5所述的一种基于知识图谱的推荐方法，其特征在于，候选项目的嵌入表征的聚合公式包括：

agg_sum＝sigmoid(W(v+v_Nv)+b)

agg_concat＝sigmoid(Wconcat(v,v_Nv)+b)

agg_{bi-intercation}＝LeakyRelu(W₁(v+v_Nv)+b₁)+LeakyRelu(W₂(v+v_Nv)+b₂)

其中，v_Nv表示项目v的关联项目集合。

7.根据权利要求5所述的一种基于知识图谱的推荐方法，其特征在于，利用以下预测函数预测用户与候选项目的交互概率：

其中，σ表示sigmoid函数，

表示用户兴趣的嵌入表征向量e_u的转置。

8.一种基于知识图谱的推荐系统，其特征在于，包括：

用户兴趣的嵌入表征向量计算模块，用于利用知识图谱根据用户浏览记录获取隐含关联项目，计算隐含关联项目的注意力得分并聚合，得到用户兴趣的嵌入表征向量；

候选项目的嵌入表征向量计算模块，用于利用知识图谱根据项目信息获取与用户偏好相近的候选项目，计算候选项目的注意力得分并聚合，得到候选项目的嵌入表征向量；

交互概率预测模块，用于根据用户兴趣的嵌入表征向量和候选项目的嵌入表征向量预测用户与候选项目的交互概率；

推荐模块，用于根据预测得到的交互概率进行推荐。

9.一种计算机设备，包括存储器、处理器以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：所述处理器执行所述计算机程序时，实现如权利要求1～7任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时，实现如权利要求1～7任一项所述的方法的步骤。

Images