CN115952296A - 基于知识增强和图对比学习的企业技术服务推荐方法及装置 - Google Patents

基于知识增强和图对比学习的企业技术服务推荐方法及装置 Download PDF

Info

Publication number
CN115952296A
CN115952296A CN202211590721.3A CN202211590721A CN115952296A CN 115952296 A CN115952296 A CN 115952296A CN 202211590721 A CN202211590721 A CN 202211590721A CN 115952296 A CN115952296 A CN 115952296A
Authority
CN
China
Prior art keywords
technical service
graph
user
knowledge
enterprise
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
Application number
CN202211590721.3A
Other languages
English (en)
Inventor
张有东
束玮
程乐
李翔
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
Jiangsu Vocational College of Electronics and Information
Original Assignee
Huaiyin Institute of Technology
Jiangsu Vocational College of Electronics and Information
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, Jiangsu Vocational College of Electronics and Information filed Critical Huaiyin Institute of Technology
Priority to CN202211590721.3A priority Critical patent/CN115952296A/zh
Publication of CN115952296A publication Critical patent/CN115952296A/zh
Pending legal-status Critical Current

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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于知识增强和图对比学习的企业技术服务推荐方法及装置，清洗和整理企业技术服务基本信息，构建知识图谱，获得用户‑技术服务交互图；对知识图谱采用随机丢弃关系得到两个子知识图谱，并将三个知识图谱输入到关系感知图网络模型中，得到技术服务的嵌入表示；对用户‑技术服务交互图随机抽样得到两个不同的子交互图，并对三个交互图进行基于图卷积的协同过滤计算，得到用户和技术服务的嵌入表示。最后构建推荐监督任务和对比学习辅助任务进行联合优化，根据嵌入表示实现企业技术服务推荐。本发明能够有效利用企业技术服务知识图谱，向用户推荐技术服务，同时在知识图谱存在数据稀疏、噪声情况下能够有效提升推荐系统的性能。

Description

基于知识增强和图对比学习的企业技术服务推荐方法及装置
技术领域
本发明涉及企业技术服务领域，具体涉及一种基于知识增强和图对比学习的企业技术服务推荐方法及装置。
背景技术
技术创新服务平台汇聚各类技术服务，运用大数据分析技术，为用户提供推荐服务，能够节省用户在查找技术服务时所用时间，促进平台与用户间的交流互动，提高用户使用黏度。
在众多推荐算法中，协同过滤算法一直备受关注，协同过滤核心思想是具有相似交互行为的用户可能对项目有相似的兴趣，因此当用户历史行为不足的时候，便会出现数据稀疏性问题。为解决数据稀疏性问题，研究人员开始在推荐中加入知识图谱，尽管知识图谱能够在一定程度上缓解推荐系统的数据稀疏性问题，但实际中知识图谱通常存在噪声，使得项目实体依赖关系无法反映它们的真实特征，显著放大了噪声效应，阻碍了用户偏好的准确表示。
发明内容
发明目的：针对以上方法所存在的问题，本发明提供一种基于知识增强和图对比学习的企业技术服务推荐方法，利用知识图谱中结构化信息丰富用户与技术服务表示，并通过知识图谱对比学习方法，以减轻基于知识图谱的推荐方法中的数据噪声，获得鲁棒性更高的用户与技术服务表示，从而提高企业技术服务推荐模型的性能。
技术方案：本发明提出一种基于知识增强和图对比学习的企业技术服务推荐方法，包括如下步骤：
步骤1：对企业技术服务基本信息进行清洗和整理，构建所需知识图谱Gk，同时根据用户交互历史获得用户-技术服务交互图Gu；
步骤2：对输入的企业技术服务知识图谱Gk采用随机丢弃关系的方式得到两个子知识图谱α1(Gk)和α2(Gk)，并将原知识图谱和两个子知识图谱输入到关系感知图网络模型中，得到技术服务的嵌入表示；
步骤3：对整个用户-企业技术服务交互图Gu采用随机抽样得到两个不同的子交互图β1(Gu)和β2(Gu)，并对原用户-企业技术服务交互图和用户-企业技术服务子交互图进行基于图卷积的协同过滤计算，得到用户和技术服务的嵌入表示；
步骤4：构建推荐监督任务和对比学习辅助任务进行联合优化，根据用户和企业技术服务的嵌入表示实现企业技术服务推荐。
进一步地，所述步骤1的具体方法为：
步骤1.1：定义企业技术服务知识图谱中的实体，主要实体有：技术服务ID、服务领域、服务企业、服务成熟程度和服务费用，不同的实体类之间存在关系，关系类别定义为关系指向实体的类别；
步骤1.2：根据实体和关系构建企业技术服务知识图谱Gk，企业技术服务知识图谱Gk由三元组(h,r,t)组成，其中h∈E，t∈E，r∈R分别表示三元组的头实体、尾实体和实体间的关系，E和R分别表示企业技术服务知识图谱Gk中的实体和关系集合；
步骤1.3：基于用户的整个交互序列构建用户-技术服务交互图，Gu＝(V,ε)代表用户-技术服务交互图，其中V表示点的集合，包括用户和技术服务；ε表示边的集合，包括交互信息。
进一步地，所述步骤2的具体方法为：
步骤2.1：对企业技术服务知识图谱Gk采用数据增强运算符α()得到两个子知识图谱α1(Gk)和α2(Gk)，其中
Figure BDA0003994156070000021
Figure BDA0003994156070000022
表示技术服务及其依赖实体之间的知识三元组；
步骤2.3：将企业技术服务知识图谱Gk输入关系感知图网络中获取技术服务的嵌入表示；
步骤2.4：定义循环变量k，赋初始值为1，设置聚合层数为L层；
步骤2.5：若k≤L则进入步骤2.6，否则跳转到步骤2.8；
步骤2.6：技术服务i在第k层的表示为
Figure BDA0003994156070000023
其中
Figure BDA0003994156070000024
表示为第k层实体的嵌入表示，
Figure BDA0003994156070000025
表示为第k层的关系路径，
Figure BDA0003994156070000026
表示为第k层的实体个数，
Figure BDA0003994156070000027
表示技术服务i的所有k阶路径；
步骤2.7：k＝k+1，跳转到步骤2.5；
步骤2.8：结束循环，得到每层的技术服务嵌入表示
Figure BDA0003994156070000031
步骤2.9：通过公式
Figure BDA0003994156070000032
得到最终的技术服务嵌入表示ei；
步骤2.10：将知识图谱α1(Gk)和α2(Gk)输入关系感知图网络中，重复步骤2.4-2.9得到技术服务的嵌入表示
Figure BDA0003994156070000033
和
Figure BDA0003994156070000034
进一步地，所述步骤3的具体方法为：
步骤3.1：对用户-企业技术服务交互图Gu采用随机抽样运算符β()得到两个子交互视图β1(Gu)和β2(Gu)，其中
Figure BDA0003994156070000035
Figure BDA0003994156070000036
步骤3.2：将用户-企业技术服务交互图Gu和技术服务嵌入表示ei输入图卷积神经网络中获取用户和技术服务嵌入表示；
步骤3.3：定义循环变量h，初始赋值为1，设置图卷积传播层数的值为H，
Figure BDA0003994156070000037
为ei，
Figure BDA0003994156070000038
为用户初始嵌入表示；
步骤3.4：若h≤H则进入步骤3.5，否则跳转到步骤3.7；
步骤3.5：通过公式
Figure BDA0003994156070000039
和
Figure BDA00039941560700000310
计算用户嵌入表示和技术服务嵌入表示,其中
Figure BDA00039941560700000311
和
Figure BDA00039941560700000312
表示经过h层传播之后得到的技术服务i和用户u的嵌入表示，Nu表示用户u交互过的技术服务的集合，Ni表示与技术服务i有过交互的用户的集合；
步骤3.6：h＝h+1，跳转到步骤3.4；
步骤3.7：结束循环，得到每层的用户和技术服务嵌入表示
Figure BDA00039941560700000313
和
Figure BDA00039941560700000314
步骤3.8：通过公式
Figure BDA00039941560700000315
和
Figure BDA00039941560700000316
得到最终的用户和技术服务嵌入表示
Figure BDA00039941560700000317
和
Figure BDA00039941560700000318
其中，ωh表示第h层嵌入表示构成最终嵌入表示的权重；
步骤3.9：分别将交互图β1(Gu)，
Figure BDA00039941560700000319
和β2(Gu)，
Figure BDA00039941560700000320
输入图卷积神经网络中，重复步骤3.3-3.8得到嵌入表示
Figure BDA00039941560700000321
和
Figure BDA00039941560700000322
进一步地，所述步骤4的具体方法为：
步骤4.1：基于用户嵌入表示采用InfoNCE损失函数构建对比学习辅助任务，用户侧损失函数为
Figure BDA0003994156070000041
其中s()表示相似度函数，τ表示温度超参数，
Figure BDA0003994156070000042
表示用户u′(u′≠u)在交互图β2(Gu)经过图卷积神经网络得到的嵌入表示；
步骤4.2：与步骤4.1同理得到技术服务侧损失函数为
Figure BDA0003994156070000043
步骤4.3：对比学习辅助任务损失函数
Figure BDA0003994156070000044
步骤4.4：推荐监督任务由贝叶斯个性化排序损失函数构建，损失函数为
Figure BDA0003994156070000045
其中O表示用户和技术服务的交互历史，u表示用户，i表示用户交互过的技术服务，j表示用户未交互过的技术服务，σ表示sigmoid函数，
Figure BDA0003994156070000046
表示样本得分，公式为
Figure BDA0003994156070000047
步骤4.5：采用多任务学习策略，通过结合对比学习辅助任务和推荐监督任务对目标函数联合优化，目标函数为
Figure BDA0003994156070000048
其中
Figure BDA0003994156070000049
为正则化损失，λ1、λ2为参数。
本发明还公开一种基于知识增强和图对比学习的企业技术服务推荐装置，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上述基于知识增强和图对比学习的企业技术服务推荐方法的步骤。
有益效果：
1、本发明将企业技术服务知识图谱作为辅助信息引入到推荐方法中，一定程度上缓解了数据稀疏性问题，针对企业技术服务知识图谱存在的噪声问题，通过数据增强方案生成对比视图，抑制信息聚合过程中不相关实体，从而获得更稳健的知识感知表征，缓解知识图谱的噪音问题，可以更精准地为用户推荐企业技术服务，帮助用户和企业实现对接。
2、本发明通过关系感知图网络模型来提取技术服务特征，可以有效控制不同邻居信息的传播量，识别每个知识图谱中的实体在不同的关系上下文中不同的含义，捕捉到高阶节点信息以及关系依赖。
3、本发明采用多任务学习策略，通过结合对比学习辅助任务和推荐监督任务对目标函数进行联合优化，以此来提高模型的鲁棒性，从而提高企业技术服务推荐模型的性能。
附图说明
图1为本发明整体流程图；
图2为本发明构建企业技术服务知识图谱和交互图过程；
图3为本发明进行知识增强过程；
图4为本发明提取用户和技术服务特征过程。
具体实施方式
下面结合附图1-4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和图对比学习的企业技术服务推荐方法，具体包括如下步骤：
步骤1：对企业技术服务基本信息进行清洗和整理，构建所需知识图谱Gk，同时根据用户交互历史获得用户-技术服务交互图Gu。具体如图2所示：
步骤1.1：定义企业技术服务知识图谱中的实体，主要实体有：技术服务ID、服务领域、服务企业、服务成熟程度和服务费用，不同的实体类之间存在关系，关系类别定义为关系指向实体的类别。
步骤1.2：根据实体和关系构建企业技术服务知识图谱Gk，企业技术服务知识图谱Gk由三元组(h,r,t)组成，其中h∈E，t∈E，r∈R分别表示三元组的头实体、尾实体和实体间的关系，E和R分别表示企业技术服务知识图谱Gk中的实体和关系集合。
步骤1.3：基于用户的整个交互序列构建用户-技术服务交互图，Gu＝(V,ε)代表用户-技术服务交互图，其中V表示点的集合，包括用户和技术服务；ε表示边的集合，包括交互信息。
步骤2：步骤2：对输入的企业技术服务知识图谱Gk采用随机丢弃关系的方式得到两个子知识图谱α1(Gk)和α2(Gk)，并将原知识图谱和两个子知识图谱输入到关系感知图网络模型中，得到技术服务的嵌入表示。具体如图3所示：
步骤2.1：对企业技术服务知识图谱Gk采用数据增强运算符α()得到两个子知识图谱α1(Gk)和α2(Gk)，其中
Figure BDA0003994156070000061
Figure BDA0003994156070000062
表示技术服务及其依赖实体之间的知识三元组。
步骤2.3：将企业技术服务知识图谱Gk输入关系感知图网络中获取技术服务的嵌入表示。
步骤2.4：定义循环变量k，赋初始值为1，设置聚合层数为L层。
步骤2.5：若k≤L则进入步骤2.6，否则跳转到步骤2.8。
步骤2.6：技术服务i在第k层的表示为
Figure BDA0003994156070000063
其中
Figure BDA0003994156070000064
表示为第k层实体的嵌入表示，
Figure BDA0003994156070000065
表示为第k层的关系路径，
Figure BDA0003994156070000066
表示为第k层的实体个数，
Figure BDA0003994156070000067
表示技术服务i的所有k阶路径。
步骤2.7：k＝k+1，跳转到步骤2.5。
步骤2.8：结束循环，得到每层的技术服务嵌入表示
Figure BDA0003994156070000068
步骤2.9：通过公式
Figure BDA0003994156070000069
得到最终的技术服务嵌入表示ei。
步骤2.10：将知识图谱α1(Gk)和α2(Gk)输入关系感知图网络中，重复步骤2.4-2.9得到技术服务的嵌入表示
Figure BDA00039941560700000610
和
Figure BDA00039941560700000611
步骤3：对整个用户-企业技术服务交互图Gu采用随机抽样得到两个不同的子交互图β1(Gu)和β2(Gu)，并对原用户-企业技术服务交互图和用户-企业技术服务子交互图进行基于图卷积的协同过滤计算，得到用户和技术服务的嵌入表示。具体如图4所示：
步骤3.1：对用户-企业技术服务交互图Gu采用随机抽样运算符β()得到两个子交互视图β1(Gu)和β2(Gu)，其中
Figure BDA00039941560700000612
Figure BDA00039941560700000613
步骤3.2：将用户-企业技术服务交互图Gu和技术服务嵌入表示ei输入图卷积神经网络中获取用户和技术服务嵌入表示。
步骤3.3：定义循环变量h，初始赋值为1，设置图卷积传播层数的值为H，
Figure BDA00039941560700000614
为ei，
Figure BDA00039941560700000615
为用户初始嵌入表示。
步骤3.4：若h≤H则进入步骤3.5，否则跳转到步骤3.7。
步骤3.5：通过公式
Figure BDA0003994156070000071
和
Figure BDA0003994156070000072
计算用户嵌入表示和技术服务嵌入表示,其中
Figure BDA0003994156070000073
和
Figure BDA0003994156070000074
表示经过h层传播之后得到的技术服务i和用户u的嵌入表示，Nu表示用户u交互过的技术服务的集合，Ni表示与技术服务i有过交互的用户的集合。
步骤3.6：h＝h+1，跳转到步骤3.4。
步骤3.7：结束循环，得到每层的用户和技术服务嵌入表示
Figure BDA0003994156070000075
和
Figure BDA0003994156070000076
步骤3.8：通过公式
Figure BDA0003994156070000077
和
Figure BDA0003994156070000078
得到最终的用户和技术服务嵌入表示
Figure BDA0003994156070000079
和
Figure BDA00039941560700000710
其中，ωh表示第h层嵌入表示构成最终嵌入表示的权重。
步骤3.9：分别将交互图β1(Gu)，
Figure BDA00039941560700000711
和β2(Gu)，
Figure BDA00039941560700000712
输入图卷积神经网络中，重复步骤3.3-3.8得到嵌入表示
Figure BDA00039941560700000713
和
Figure BDA00039941560700000714
步骤4：构建推荐监督任务和对比学习辅助任务进行联合优化，根据用户和企业技术服务的嵌入表示实现企业技术服务推荐。
步骤4.1：基于用户嵌入表示采用InfoNCE损失函数构建对比学习辅助任务，用户侧损失函数为
Figure BDA00039941560700000715
其中s()表示相似度函数，τ表示温度超参数，
Figure BDA00039941560700000716
表示用户u′(u′≠u)在交互图β2(Gu)经过图卷积神经网络得到的嵌入表示。
步骤4.2：与步骤4.1同理得到技术服务侧损失函数为
Figure BDA00039941560700000717
步骤4.3：对比学习辅助任务损失函数
Figure BDA00039941560700000718
步骤4.4：推荐监督任务由贝叶斯个性化排序损失函数构建，损失函数为
Figure BDA00039941560700000719
其中O表示用户和技术服务的交互历史，u表示用户，i表示用户交互过的技术服务，j表示用户未交互过的技术服务，σ表示sigmoid函数，
Figure BDA00039941560700000720
表示样本得分，公式为
Figure BDA00039941560700000721
步骤4.5：采用多任务学习策略，通过结合对比学习辅助任务和推荐监督任务对目标函数联合优化，目标函数为
Figure BDA0003994156070000081
其中
Figure BDA0003994156070000082
为正则化损失，λ1、λ2为参数。
本发明可与计算机系统结合成为基于知识增强和图对比学习的企业技术服务推荐装置，该装置包括存储器、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和图对比学习的企业技术服务推荐方法。
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 (6)

1.一种基于知识增强和图对比学习的企业技术服务推荐方法，其特征在于，包括如下步骤：
步骤1：对企业技术服务基本信息进行清洗和整理，构建所需知识图谱Gk，同时根据用户交互历史获得用户-技术服务交互图Gu；
步骤2：对输入的企业技术服务知识图谱Gk采用随机丢弃关系的方式得到两个子知识图谱α1(Gk)和α2(Gk)，并将原知识图谱和两个子知识图谱输入到关系感知图网络模型中，得到技术服务的嵌入表示；
步骤3：对整个用户-企业技术服务交互图Gu采用随机抽样得到两个不同的子交互图β1(Gu)和β2(Gu)，并对原用户-企业技术服务交互图和用户-企业技术服务子交互图进行基于图卷积的协同过滤计算，得到用户和技术服务的嵌入表示；
步骤4：构建推荐监督任务和对比学习辅助任务进行联合优化，根据用户和企业技术服务的嵌入表示实现企业技术服务推荐。
2.根据权利要求1所述的基于知识增强和图对比学习的企业技术服务推荐方法，其特征在于，所述步骤1的具体方法为：
步骤1.1：定义企业技术服务知识图谱中的实体，主要实体有：技术服务ID、服务领域、服务企业、服务成熟程度和服务费用，不同的实体类之间存在关系，关系类别定义为关系指向实体的类别；
步骤1.2：根据实体和关系构建企业技术服务知识图谱Gk，企业技术服务知识图谱Gk由三元组(h,r,t)组成，其中h∈E，t∈E，r∈R分别表示三元组的头实体、尾实体和实体间的关系，E和R分别表示企业技术服务知识图谱Gk中的实体和关系集合；
步骤1.3：基于用户的整个交互序列构建用户-技术服务交互图，Gu＝(V,ε)代表用户-技术服务交互图，其中V表示点的集合，包括用户和技术服务；ε表示边的集合，包括交互信息。
3.根据权利要求1所述的基于知识增强和图对比学习的企业技术服务推荐方法，其特征在于，所述步骤2的具体方法为：
步骤2.1：对企业技术服务知识图谱Gk采用数据增强运算符α()得到两个子知识图谱α1(Gk)和α2(Gk)，其中
Figure FDA0003994156060000011
Figure FDA0003994156060000021
(i,r,v)∈Gk表示技术服务及其依赖实体之间的知识三元组；
步骤2.3：将企业技术服务知识图谱Gk输入关系感知图网络中获取技术服务的嵌入表示；
步骤2.4：定义循环变量k，赋初始值为1，设置聚合层数为L层；
步骤2.5：若k≤L则进入步骤2.6，否则跳转到步骤2.8；
步骤2.6：技术服务i在第k层的表示为
Figure FDA0003994156060000022
其中
Figure FDA0003994156060000023
表示为第k层实体的嵌入表示，
Figure FDA0003994156060000024
表示为第k层的关系路径，
Figure FDA0003994156060000025
表示为第k层的实体个数，
Figure FDA0003994156060000026
表示技术服务i的所有k阶路径；
步骤2.7：k＝k+1，跳转到步骤2.5；
步骤2.8：结束循环，得到每层的技术服务嵌入表示
Figure FDA0003994156060000027
步骤2.9：通过公式
Figure FDA0003994156060000028
得到最终的技术服务嵌入表示ei；
步骤2.10：将知识图谱α1(Gk)和α2(Gk)输入关系感知图网络中，重复步骤2.4-2.9得到技术服务的嵌入表示
Figure FDA0003994156060000029
和
Figure FDA00039941560600000210
4.根据权利要求1所述的基于知识增强和图对比学习的企业技术服务推荐方法，其特征在于，所述步骤3的具体方法为：
步骤3.1：对用户-企业技术服务交互图Gu采用随机抽样运算符β()得到两个子交互视图β1(Gu)和β2(Gu)，其中
Figure FDA00039941560600000211
Figure FDA00039941560600000212
步骤3.2：将用户-企业技术服务交互图Gu和技术服务嵌入表示ei输入图卷积神经网络中获取用户和技术服务嵌入表示；
步骤3.3：定义循环变量h，初始赋值为1，设置图卷积传播层数的值为H，
Figure FDA00039941560600000213
为ei，
Figure FDA00039941560600000214
为用户初始嵌入表示；
步骤3.4：若h≤H则进入步骤3.5，否则跳转到步骤3.7；
步骤3.5：通过公式
Figure FDA00039941560600000215
和
Figure FDA00039941560600000216
计算用户嵌入表示和技术服务嵌入表示,其中
Figure FDA00039941560600000217
和
Figure FDA00039941560600000218
表示经过h层传播之后得到的技术服务i和用户u的嵌入表示，Nu表示用户u交互过的技术服务的集合，Ni表示与技术服务i有过交互的用户的集合；
步骤3.6：h＝h+1，跳转到步骤3.4；
步骤3.7：结束循环，得到每层的用户和技术服务嵌入表示
Figure FDA0003994156060000031
和
Figure FDA0003994156060000032
步骤3.8：通过公式
Figure FDA0003994156060000033
和
Figure FDA0003994156060000034
得到最终的用户和技术服务嵌入表示
Figure FDA0003994156060000035
和
Figure FDA0003994156060000036
其中，ωh表示第h层嵌入表示构成最终嵌入表示的权重；
步骤3.9：分别将交互图β1(Gu)，
Figure FDA0003994156060000037
和β2(Gu)，
Figure FDA0003994156060000038
输入图卷积神经网络中，重复步骤3.3-3.8得到嵌入表示
Figure FDA0003994156060000039
和
Figure FDA00039941560600000310
5.根据权利要求1所述的基于知识增强和图对比学习的企业技术服务推荐方法及装置，其特征在于，所述步骤4的具体方法为：
步骤4.1：基于用户嵌入表示采用InfoNCE损失函数构建对比学习辅助任务，用户侧损失函数为
Figure FDA00039941560600000311
其中s()表示相似度函数，τ表示温度超参数，
Figure FDA00039941560600000312
表示用户u′(u′≠u)在交互图β2(Gu)经过图卷积神经网络得到的嵌入表示；
步骤4.2：与步骤4.1同理得到技术服务侧损失函数为
Figure FDA00039941560600000313
步骤4.3：对比学习辅助任务损失函数
Figure FDA00039941560600000314
步骤4.4：推荐监督任务由贝叶斯个性化排序损失函数构建，损失函数为
Figure FDA00039941560600000315
其中O表示用户和技术服务的交互历史，u表示用户，i表示用户交互过的技术服务，j表示用户未交互过的技术服务，σ表示sigmoid函数，
Figure FDA00039941560600000316
表示样本得分，公式为
Figure FDA00039941560600000317
步骤4.5：采用多任务学习策略，通过结合对比学习辅助任务和推荐监督任务对目标函数联合优化，目标函数为
Figure FDA00039941560600000318
其中
Figure FDA00039941560600000319
为正则化损失，λ1、λ2为参数。
6.一种基于知识增强和图对比学习的企业技术服务推荐装置，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1-5任一项所述的基于知识增强和图对比学习的企业技术服务推荐方法的步骤。
CN202211590721.3A 2022-12-12 2022-12-12 基于知识增强和图对比学习的企业技术服务推荐方法及装置 Pending CN115952296A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211590721.3A CN115952296A (zh) 2022-12-12 2022-12-12 基于知识增强和图对比学习的企业技术服务推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211590721.3A CN115952296A (zh) 2022-12-12 2022-12-12 基于知识增强和图对比学习的企业技术服务推荐方法及装置

Publications (1)

Publication Number Publication Date
CN115952296A true CN115952296A (zh) 2023-04-11

Family

ID=87281725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211590721.3A Pending CN115952296A (zh) 2022-12-12 2022-12-12 基于知识增强和图对比学习的企业技术服务推荐方法及装置

Country Status (1)

Country Link
CN (1) CN115952296A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117786094A (zh) * 2023-12-29 2024-03-29 北京基智科技有限公司 一种基于知识图谱的企业技术服务推荐方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232925A (zh) * 2020-11-02 2021-01-15 哈尔滨工程大学 一种融合知识图谱对商品进行个性化推荐的方法
WO2021189971A1 (zh) * 2020-10-26 2021-09-30 平安科技（深圳）有限公司 基于知识图谱表征学习的医疗方案推荐系统及方法
CN115114542A (zh) * 2022-08-26 2022-09-27 北京高德云信科技有限公司 一种对象推荐方法、系统、训练方法、介质及计算机设备
CN115146168A (zh) * 2022-07-08 2022-10-04 广东工业大学 一种融合知识图谱和图对比学习的图书推荐方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021189971A1 (zh) * 2020-10-26 2021-09-30 平安科技（深圳）有限公司 基于知识图谱表征学习的医疗方案推荐系统及方法
CN112232925A (zh) * 2020-11-02 2021-01-15 哈尔滨工程大学 一种融合知识图谱对商品进行个性化推荐的方法
CN115146168A (zh) * 2022-07-08 2022-10-04 广东工业大学 一种融合知识图谱和图对比学习的图书推荐方法及系统
CN115114542A (zh) * 2022-08-26 2022-09-27 北京高德云信科技有限公司 一种对象推荐方法、系统、训练方法、介质及计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIANGWANG等: ""LearningIntentsbehindInteractionswithKnowledgeGraphforRecommendation"", 《HTTPS://ARXIV.ORG/PDF/2102.07057.PDF》, pages 1 - 5 *
YUHAO YANG等: ""Knowledge Graph Contrastive Learning for Recommendation"", 《HTTPS://ARXIV.ORG/PDF/2205.00976.PDF》, pages 1 - 5 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117786094A (zh) * 2023-12-29 2024-03-29 北京基智科技有限公司 一种基于知识图谱的企业技术服务推荐方法及装置

Similar Documents

Publication Publication Date Title
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及系统
CN112784092A (zh) 一种混合融合模型的跨模态图像文本检索方法
CN113362131B (zh) 一种融合知识图谱和用户交互的图模型智能商品推荐方法
CN110674850A (zh) 一种基于注意力机制的图像描述生成方法
CN108647800B (zh) 一种基于节点嵌入的在线社交网络用户缺失属性预测方法
CN112380453B (zh) 物品推荐方法、装置、存储介质及设备
CN113379494B (zh) 基于异质社交关系的商品推荐方法、装置和电子设备
CN114461907B (zh) 一种基于知识图谱的多元环境感知推荐方法及系统
CN113761359B (zh) 数据包推荐方法、装置、电子设备和存储介质
Xiao et al. MutualRec: Joint friend and item recommendations with mutualistic attentional graph neural networks
Bakhshi et al. Fast evolution of CNN architecture for image classification
CN113918832A (zh) 基于社交关系的图卷积协同过滤推荐系统
CN112364242A (zh) 针对上下文感知型的图卷积推荐系统
Mu et al. Auto-CASH: A meta-learning embedding approach for autonomous classification algorithm selection
CN115358809A (zh) 一种基于图对比学习的多意图推荐方法及装置
CN115952296A (zh) 基于知识增强和图对比学习的企业技术服务推荐方法及装置
CN113590976A (zh) 一种空间自适应图卷积网络的推荐方法
Czajkowski et al. Steering the interpretability of decision trees using lasso regression-an evolutionary perspective
Yin et al. An efficient recommendation algorithm based on heterogeneous information network
Zeng et al. Influential simplices mining via simplicial convolutional networks
Zhang et al. Knowledge graph driven recommendation model of graph neural network
Liu et al. An influence maximization algorithm based on low-dimensional representation learning
CN115757897A (zh) 一种基于知识图卷积网络的文化资源智能推荐方法
CN115344794A (zh) 一种基于知识图谱语义嵌入的旅游景点推荐方法
Xie Research on Weibo user behavior system for subjective perception and big data mining technology

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230411