CN117194771A - 一种图模型表征学习的动态知识图谱服务推荐方法 - Google Patents
一种图模型表征学习的动态知识图谱服务推荐方法 Download PDFInfo
- Publication number
- CN117194771A CN117194771A CN202310962292.6A CN202310962292A CN117194771A CN 117194771 A CN117194771 A CN 117194771A CN 202310962292 A CN202310962292 A CN 202310962292A CN 117194771 A CN117194771 A CN 117194771A
- Authority
- CN
- China
- Prior art keywords
- service
- model
- graph
- node
- nodes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012512 characterization method Methods 0.000 title claims abstract description 23
- 239000002245 particle Substances 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 238000003058 natural language processing Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种图模型表征学习的动态知识图谱服务推荐方法。该方法包括:获取对象的文本描述信息;对所述文本描述信息进行特征抽取操作,得到服务特征;所述服务特征用于表征对象、服务提供者和对象需求的服务;将所述服务特征作为节点,构建初始推荐模型;所述初始推荐模型基于知识图谱建立;通过粒子群算法对所述初始推荐模型的参数进行优化,得到目标推荐模型;通过所述目标推荐模型对目标对象进行推荐。本申请实施例基于图神经网络构建初始推荐模型,缓解了数据稀疏时的推荐准确率不佳的问题;同时,通过粒子群算法对模型参数进行更新,提升模型的推荐准确度。本方法可以广泛应用于计算机技术领域。
Description
技术领域
本发明涉及计算机技术领域,尤其是一种图模型表征学习的动态知识图谱服务推荐方法。
背景技术
工业与城市互联网环境中的工业软件系统具有规模庞大、复杂的特点,涉及到多个软件组件和设备实体的跨平台、跨操作系统、跨编程语言、跨网络等复杂情况。为了应对这些特征,工业软件组件采用了服务化和组件化封装的方式,通过提供统一的互操作访问接口来管理和整合这些繁杂异构的软件服务组件和设备实体。与此同时,由于人们对个性化服务的需求增加,服务推荐领域引起了广泛关注。传统的推荐算法主要基于用户的历史行为数据,但数据稀疏时存在推荐结果不准确问题。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明的目的在于提供一种准确的图模型表征学习的动态知识图谱服务推荐方法。
为了达到上述技术目的,本发明实施例所采取的技术方案包括:
一方面,本发明实施例提供了一种图模型表征学习的动态知识图谱服务推荐方法,包括以下步骤:
本发明实施例的图模型表征学习的动态知识图谱服务推荐方法,该方法包括:获取对象的文本描述信息;对所述文本描述信息进行特征抽取操作,得到服务特征;所述服务特征用于表征对象、服务提供者和对象需求的服务;将所述服务特征作为节点,构建初始推荐模型;所述初始推荐模型基于知识图谱建立;通过粒子群算法对所述初始推荐模型的参数进行优化,得到目标推荐模型;通过所述目标推荐模型对目标对象进行推荐。本申请实施例基于图神经网络构建初始推荐模型,缓解了数据稀疏时的推荐准确率不佳的问题;同时,通过粒子群算法对模型参数进行更新,提升模型的推荐准确度。
另外,根据本发明上述实施例的图模型表征学习的动态知识图谱服务推荐方法,还可以具有以下附加的技术特征:
进一步地,本发明实施例的图模型表征学习的动态知识图谱服务推荐方法,所述方法还包括:
通过优化图神经网络算法学习每个节点的特征表示,并根据所述特征表示更新所述初始推荐模型;所述节点为所述初始推荐模型中的知识图谱的节点。
进一步地,在本发明的一个实施例中,所述将所述服务特征作为节点,构建初始推荐模型,包括:
根据所述服务特征,构建对象节点、服务节点、服务特征节点和服务提供者节点;
通过皮尔逊相关系数计算对象节点之间的社会相似度;
根据两个服务节点之间的服务特征公共集合与服务特征的总集合之间的关系,确定服务节点之间的服务相似度;
若对象与服务之间存在调用关系,根据对象对多次调用服务的满意度均值,确定对象节点与服务节点之间的直接满意相似度;
若对象与服务之间不存在调用关系,根据相似对象对多次调用服务的满意度均值,确定对象节点与服务节点之间的间接满意相似度;
根据所述社会相似度、所述服务相似度、所述直接满意相似度和所述间接满意相似度,构建关系边;
根据所述对象节点、所述服务节点、所述服务特征节点、所述服务提供者节点和关系边,构建初始推荐模型。
进一步地,在本发明的一个实施例中,所述初始推荐模型包括若干图神经网络层,所述通过优化图神经网络算法学习每个节点的特征表示,并根据所述特征表示更新所述初始推荐模型,包括以下步骤:
在当前图神经网络层,对当前节点的特征向量与相邻节点的特征向量进行卷积处理,得到特征矩阵;根据特征矩阵,更新当前节点的特征表示;
根据特征矩阵,对下一层的图神经网络层进行节点的特征表示更新操作,直至完成所有图神经网络层的特征表示更新操作,更新初始推荐模型。
进一步地,在本发明的一个实施例中,所述通过粒子群算法对所述初始推荐模型的参数进行优化,得到目标推荐模型这一步骤,包括:
初始化粒子群的位置和速度;
根据当前位置的学习率,确定初始推荐模型的性能指标为适应度;
更新每个粒子的位置和速度,根据预设终止条件,确定目标位置和目标学习率;
根据所述目标学习率,确定目标推荐模型。
进一步地,在本发明的一个实施例中,所述方法还包括对初始推荐模型进行训练的步骤:
获取对象的服务特征样本;
将所述服务特征样本输入所述初始推荐模型,得到样本预测结果,根据所述样本预测结果与真实结果构建损失函数;
根据所述损失函数,通过方向传播算法对所述初始推荐模型的参数进行更新训练。
进一步地,在本发明的一个实施例中,所述对所述文本描述信息进行特征抽取操作,得到服务特征,包括:
对所述文本描述信息进行数据清洗操作,得到第一数据;
对所述第一数据进行数据类型划分处理,得到第二数据;
对所述第二数据进行特征提取操作,得到第三数据;
对所述第三数据进行归一化处理,得到服务特征。
另一方面,本发明实施例提出了一种基于知识图谱的推荐系统,包括:
第一模块,用于获取对象的文本描述信息;
第二模块,用于对所述文本描述信息进行特征抽取操作,得到服务特征;所述服务特征用于表征对象、服务提供者和对象需求的服务;
第三模块,用于将所述服务特征作为节点,构建初始推荐模型;所述初始推荐模型基于知识图谱建立;
第四模块,用于通过粒子群算法对所述初始推荐模型的参数进行优化,得到目标推荐模型;
第五模块,用于通过所述目标推荐模型对目标对象进行推荐。
另一方面,本发明实施例提供了一种基于知识图谱的推荐装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现上述的图模型表征学习的动态知识图谱服务推荐方法。
另一方面,本发明实施例提供了一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于实现上述的图模型表征学习的动态知识图谱服务推荐方法。
本申请实施例基于图神经网络构建初始推荐模型,缓解了数据稀疏时的推荐准确率不佳的问题;同时,通过粒子群算法对模型参数进行更新,提升模型的推荐准确度。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案,下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明提供的图模型表征学习的动态知识图谱服务推荐方法的一种实施例的流程示意图;
图2为本发明提供的图模型表征学习的动态知识图谱服务推荐方法的另一种实施例的流程示意图;
图3为本发明提供的初始推荐模型的一种实施例的结构示意图;
图4为本发明提供的特征抽取的一种实施例的流程示意图;
图5为本发明提供的基于知识图谱的推荐系统的一种实施例的结构示意图;
图6为本发明提供的基于知识图谱的推荐装置的一种实施例的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
工业与城市互联网环境中的工业软件系统具有规模庞大、复杂的特点,涉及到多个软件组件和设备实体的跨平台、跨操作系统、跨编程语言、跨网络等复杂情况。为了应对这些特征,工业软件组件采用了服务化和组件化封装的方式,通过提供统一的互操作访问接口来管理和整合这些繁杂异构的软件服务组件和设备实体。
与此同时,由于人们对个性化服务的需求增加,服务推荐领域引起了广泛关注。传统的推荐算法主要基于用户的历史行为数据,但存在推荐结果不准确、推荐内容单一等问题。为了更好地挖掘用户的实际需求,基于文本描述的服务推荐方法应运而生。这种方法利用自然语言处理技术,将用户的文本描述转换成向量表示,并与服务的向量表示进行匹配,从而提供符合用户需求的个性化服务推荐。这种方法不仅可以提高推荐准确度,还可以丰富推荐内容,增加用户的选择空间。
在服务推荐中,越来越多的研究者开始将知识图谱应用于推荐系统,以提高推荐的准确度。知识图谱是一种用于描述实体和实体之间关系的图形数据结构,可以有效地表示各种实体之间的关联关系。在服务推荐中,知识图谱可以描述服务之间的关联关系和语义信息,进而提升推荐的准确性。然而,相关技术中的推荐模型往往存在推荐准确度低的问题。
因此,将工业软件系统中的服务化和组件化封装思想应用于基于图模型表征的文本描述服务推荐方法中。通过将用户的文本描述转换为向量表示,并结合知识图谱中服务之间的关联关系和语义信息,可以提供更准确、丰富的个性化服务推荐,满足用户的需求。这样的方法将工业软件系统的复杂性与服务推荐的个性化需求相结合,为用户提供更优质的服务体验。
将知识图谱应用于服务推荐领域的研究中,主要存在以下几个问题:如何构建服务知识图谱、如何将用户输入的文本描述与知识图谱结合起来进行服务推荐、如何解决冷启动和数据稀疏的问题等。因此,本发明提出了一种基于文本描述的动态知识图谱及服务推荐方法,旨在解决以上问题并提高推荐的准确度。具体地,通过构建知识图谱中服务、服务特征、服务提供者等节点之间的关系,以图谱对服务进行组织管理,给定用户需求,推荐给出可选的服务。采用基于粒子群优化-图神经网络(PSO-GCN)的服务推荐算法,精准地推荐满足用户需求的服务。利用用户之间的相似性,用户与服务提供商的信任度、GCN模型区分不同服务领域标签的方法,解决冷启动和数据稀疏的问题,从而提高推荐准确性和用户满意度。
下面参照附图详细描述根据本发明实施例提出的图模型表征学习的动态知识图谱服务推荐方法和系统,首先将参照附图描述根据本发明实施例提出的图模型表征学习的动态知识图谱服务推荐方法。
参照图1,本发明实施例中提供一种图模型表征学习的动态知识图谱服务推荐方法,本发明实施例中的图模型表征学习的动态知识图谱服务推荐方法,可应用于终端中,也可应用于服务器中,还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等,但并不局限于此。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。本发明实施例中的图模型表征学习的动态知识图谱服务推荐方法主要包括以下步骤:
S100:获取对象的文本描述信息;
S200:对文本描述信息进行特征抽取操作,得到服务特征;服务特征用于表征对象、服务提供者和对象需求的服务;
S300:将服务特征作为节点,构建初始推荐模型;初始推荐模型基于知识图谱建立;
S400:通过粒子群算法对初始推荐模型的参数进行优化,得到目标推荐模型;
S500:通过目标推荐模型对目标对象进行推荐。
在一些可能的实施方式中,可以理解的是,本申请实施例中的文本描述信息用于表征与工业系统相关的对象信息。参照图2所示,本申请提供的推荐方法如下所示:
步骤S21、服务和服务特征的抽取:对于用户输入的文本描述,使用自然语言处理(NLP)技术提取关键词或短语,这些词或短语可以作为表示用户需求的特征。从文本中抽取出服务名称和服务特征,例如服务的描述、功能、性能等。
步骤S22、知识图谱构建:定义知识图谱的节点和它们之间的关系。节点包括服务、服务特征、服务提供者和用户。其中服务节点代表可提供的服务,服务特征节点表示服务的属性或特征,服务提供者节点表示提供服务的实体,用户节点表示需要服务的用户。使用相应权重边和有向边表示节点关系,如用户之间的相似度、服务之间的依赖度、用户与服务提供商之间的信任度、服务提供商与服务之间的提供关系。构建完知识图谱后,还需要对知识图谱进行维护和更新。当新的服务特征或服务提供者出现时,需要将它们添加到知识图谱中。
步骤S23、特征表示学习:对于知识图谱中的每个节点,需要抽取出与其相关的特征。这些特征可以包括服务的属性、服务提供商的信誉度、用户评价等。使用优化图神经网络(PSO-GNN)算法学习每个节点的特征表示,将每个节点转换为特征向量表示,从而可以计算节点之间的相似度或相关度。使用粒子群算法对模型超参数-学习率进行优化,优化学习率可以帮助GNN模型更快地收敛并且得到更好的性能,提高GNN模型的自适应性、高效性。
步骤S24、服务推荐生成:基于用户输入的文本描述和知识图谱中节点的向量表示,可以通过计算相似度来寻找最匹配的服务节点,计算每个服务节点和用户节点之间的相关度。可以使用基于加权余弦相似度的排序算法,将相关度高的服务推荐给用户。
可选地,在本发明的一个实施例中,该方法还包括:
通过优化图神经网络算法学习每个节点的特征表示,并根据特征表示更新初始推荐模型;节点为初始推荐模型中的知识图谱的节点。
可选地,在本发明的一个实施例中,将服务特征作为节点,构建初始推荐模型,包括:
根据服务特征,构建对象节点、服务节点、服务特征节点和服务提供者节点;
通过皮尔逊相关系数计算对象节点之间的社会相似度;
根据两个服务节点之间的服务特征公共集合与服务特征的总集合之间的关系,确定服务节点之间的服务相似度;
若对象与服务之间存在调用关系,根据对象对多次调用服务的满意度均值,确定对象节点与服务节点之间的直接满意相似度;
若对象与服务之间不存在调用关系,根据相似对象对多次调用服务的满意度均值,确定对象节点与服务节点之间的间接满意相似度;
根据社会相似度、服务相似度、直接满意相似度和间接满意相似度,构建关系边;
根据对象节点、服务节点、服务特征节点、服务提供者节点和关系边,构建初始推荐模型。
在一些可能的实施方式中,本申请实施例首先进行数据收集和预处理。收集和预处理用户文本描述和服务数据,以及将它们转化为可用于知识图谱和GNN算法的形式。可以理解的是,数据收集过程在预构建知识图谱阶段,通过公共数据集、公司内部数据、API、网站爬虫等途径获取数据。在用户使用阶段,获取用户的需求文本描述信息。确定需要收集的数据类型为用户、服务、服务特征、服务提供者四大类。在数据预处理过程中,对初步收集的各类数据预处理。去除文本中的重复数据、异常值等,将文本数据转换为向量表示。提取这四类数据的相关特征,以服务为例,可提取服务的标签、描述、评分等,构建特征向量表示。将处理后的数据转化为知识图谱中的节点和边,如将服务转化为服务节点,用户使用服务转化为节点间的边,将服务特征转化为服务节点的属性等。
在一些可能的实现方式中,通过数据获取与预处理后的数据进行知识图谱构建,具体实施知识图谱的构建,包括整个知识图谱的抽象建模、节点间相应关系的定义与定量度量、如何构建知识图谱。具体地:
步骤S31:总体知识图谱抽象模型。
该服务推荐模型的知识图模型为G=(F,R,V)。
(1)知识图谱节点,F=(u,s,f′,p),u表示用户user(u1,u2,...,ui)。s表示可调用的服务service(s1,s2,...,sj)。f′表示调用服务的属性特征feature(f1,f2,....,fj),作为服务节点的从节点,表示服务的属性。p表示服务提供者provider(p1,p2,...,pz)。
(2)节点关系,R=(ei,r,ej),ei,ej属于F,r表示各节点之间的关系,具体如公式(1)所示。
(3)节点关系指数V=<v1,v2>,表示知识图中节点有向边的集合,在节点关系的前提下,计算节点间的关系指数,以便之后推荐结果。取值范围为[0,1]。
v1包括服务和服务提供者的提供关系、服务特征和服务的从属关系、用户和服务特征的需求关系,该类关系模型取值{0,1}。例如,服务提供者提供了该服务,则它们之间的指数为1,若没有提供该服务,则关系指数为0;
v2表示节点之间的关系指数,包括用户之间的关系服务之间的相似用户对服务vus:ui→sj,用户对服务提供者vup:ui→pj,服务之间的相似即v2={vuu,vss,vus,vup}。
步骤S32:服务网络特征。
知识网络特征:1、传递性。如用户u1与用户u2存在确定的相似度,u2与u3存在确定的相似度,可根据他们之间的关系计算出u1与u3的关系类型和关系值,如公式(2)所示。
v(u1,u3)=v(u1,u2)·v(u2,u3) 公式(2)
针对不同类型的节点,上式可调整为公式(3):
v(ei,ez)=v(ei,ej)·v(ej,ez),ei,ej∈F 公式(3)
2、稳定性。知识图中各节点之间的关系类型和关系值在一定时间内相对稳定,不会发生突变。
3、相对隔离性。各服务提供者关系独立,他们之间不会共享用户信息,均通过自身提供的服务与用户建立一定联系。
步骤S33:节点关系度量计算。
(1)对于用户节点,他们是一个小型的社会网络。对于达到一定相似度的其他用户,可以使用该用户的服务历史记录,作为该知识图用户的相关启动信息,一定程度上解决冷启动问题。ui与uj之间的关系度量为两用户的社会相似度,包含的信息有用户的身份、性别、服务调用记录等。使用皮尔逊相关系数计算两用户节点之间的相似度如下公式(4)所示:
结果取值为[-1,1],取正值则表明两个用户节点存在直接有边连接。S为ui和uj调用过的服务集合。和/>为ui和uj调用过服务的相似度平均值。通过计算知识图谱中相邻用户节点的关系值,根据网络的相似度可计算非相邻用户的关系值,构建用户关系子网络。
(2)服务之间的相似度量,主要反映在两个服务所具有的功能(服务特征)的存在的最大交集占比。一个服务与另一个在功能上的重叠性越高,所具有的服务特征越相近,它们之间的相似度也越高。计算如下公式(5)所示:
其中,ns∈{服务特征公共集},N为服务中的特征总数。结果取值为[0,1],需阈值ε=0.80。若计算结果大于等于阈值,则两个服务存在相似联系,一定程度上可相互替换。可根据网络的传递性计算非相邻服务之间的相似度,构建服务关系子网络。
服务之间的依赖性,指的是一个服务在使用另一个服务时,对后者的依赖程度。依赖性可以反映出服务之间的关系强度和互相影响的程度,将服务之间的依赖性定义为一个服务对另一个服务的调用响应时间的依赖程度。当一个服务需要依赖另一个服务时,其响应时间会随着被调用服务的响应时间的变化而变化。
计算服务节点i和服务节点j之间的依赖性di,j,将依赖性限制在特定的范围内,对计算结果进行归一化。如下公式(6)所示:
rti,j表示从服务节点i调用服务节点j的平均响应时间。通过取倒数来计算依赖性,可以确保依赖性与响应时间成反比。α是一个控制归一化范围的参数。将其设置为服务节点之间的平均响应时间,以确保归一化后的依赖性值在可接受的范围内。
(3)用户节点对调用服务节点之间的关系度量。用户对服务之间的关系为“满意”,包括直接满意度和间接满意度。直接满意是用户使用服务的记录,并对该服务产生的反馈评价,用户对该服务的直接满意度动态变化,受用户调用服务的次数N影响。定义用户对调用服务的直接满意度为数次调用对服务反馈评价的均值,如公式(7)所示:
Pi为调用服务si后用户反馈的满意值,该关系模型包含了用户对服务的主观评价,取值范围为[0,1]。
当用户与服务存在调用关系时,可采取直接满意度计算。如果没有直接关系,可采用间接满意度计算。
间接满意度主要是对用户没有直接调用过该服务,因此需要通过其他方式得到与该服务节点的关系度量。间接满意度考虑与当前用户存在关系(一定相似度)的其他用户对该服务调用后的反馈评价,以及用户对与该服务相似的其他服务的调用评价,如公式(8)所示:
vid(ui,si)=λ1·vu(uj,si)+λ2·vs(ui,sj) 公式(8)
其中λ1,λ2为权重,λ1+λ2=1,si和sj为相似服务,ui和uj为相似用户。
(4)用户u对服务提供者p的关系度量为“信任”,主要考虑来自于用户调用了该服务提供者所提供的某种服务所获得的反馈,并且,用户对该服务提供者的信任度可作用于用户对相关服务的满意度。
使用用户基于历史数据的信任度评估,通过对服务提供者和用户之间的历史交互数据进行分析,可以计算出一个信任得分,反映了服务提供者对服务消费者的信任程度。考虑用户对提供者的评价和反馈,用户和服务提供者之间的历史交互数据,如交互次数、交互质量等来设计计算模型如下公式(9)所示:
其中,nj为ui对服务s的调用次数,s由提供者pi所提供。N为pi提供给用户且调用的服务。对某个服务调用次数越多,反映用户对该服务的满意度越高,对该服务提供者更信任。
在计算对服务提供者的信任度后,使用该信任度更新用户对调用过服务的满意度,更新后的满意度计算式如下公式(10)所示:
v′id(ui,si)=γ1·vu(uj,pi)+γ2·vs(ui,sj) 公式(10)
其中γ1,γ2∈[0,1],且γ1+γ2=1。
步骤S34:构建知识图谱结构。
(1)构建用户节点:将用户信息(身份、性别、年龄、使用历史)作为节点构建到知识图谱中,并添加用户与服务之间的关系,用户与用户的关系等,如用户与用户的相似度、用户对服务的评价、用户对服务提供者的评价等。
(2)构建服务节点:将服务信息(标签、描述、功能)作为节点构建到知识图谱中,并添加服务之间的关系,如服务之间的相似性、依赖性等。
(3)构建服务特征从节点:将服务的特征信息作为从节点构建到知识图谱中,并添加服务特征与服务之间的从属关系。该节点与其他节点不同,主要依赖于对于的服务节点存在,表示服务的属性。
(4)构建服务提供商节点:将服务提供商信息(名称、描述、地址)作为节点构建到知识图谱中,并添加服务提供商与服务之间的关系、服务商与用户的关系。
(5)构建关系边:将不同节点之间的关系构建到知识图谱中,如服务与服务之间的相似性关系、服务与服务特征之间的依赖关系、服务提供商与服务之间的提供关系等等。节点之间的连接方式有权重边、有向边。构建的知识图谱结果图参见图3所示。
根据图3中所示的一种实施例,对知识图谱的结构进行详细说明:
(1)用户与用户。用户节点之间存在相似度,使用含数值的双向边表示。如图3中u1与u2之间的相似度为0.6,主要与用户身份、使用历史有关。
(2)服务与服务。服务之间存在相似度。使用含相似度数据的双向边表示。如图3中s2与s3之间的相似度为0.95,主要与服务之间的功能、描述、属性有关。
(3)用户与服务。用户与服务之间的关系为“需要”(need),连接关系含满意值,主要与用户评价有关。
(4)用户与服务提供商。用户与服务提供商之间的关系为“信任”(trust),连接关系含信任度,主要与用户对厂商提供的服务评价以及对厂商评价有关。
(5)其余连接。服务和服务提供者的提供关系、服务特征和服务的从属关系、用户和服务特征的需求关系,这些均为依赖关系,以对应的从属关系表示为有向边。
可选地,在本发明的一个实施例中,初始推荐模型包括若干图神经网络层,通过优化图神经网络算法学习每个节点的特征表示,并根据特征表示更新初始推荐模型,包括以下步骤:
在当前图神经网络层,对当前节点的特征向量与相邻节点的特征向量进行卷积处理,得到特征矩阵;根据特征矩阵,更新当前节点的特征表示;
根据特征矩阵,对下一层的图神经网络层进行节点的特征表示更新操作,直至完成所有图神经网络层的特征表示更新操作,更新初始推荐模型。
在一些可能的实施方式中,GNN模型构建、优化和训练过程的具体实施基于GNN的服务推荐模型,包括如何设计GNN模型结构,如何使用PSO对模型中的超参数进行优化以及如何进行模型训练。
在本方法中,当使用图神经网络(GNN)模型时,通常需要通过调整其超参数来获得最佳性能。学习率是其中一个重要的超参数,其直接影响模型在训练过程中的收敛速度和最终的性能表现。使用传统的网格搜索或随机搜索方法来优化学习率通常是非常耗时且低效的。而粒子群算法(Particle Swarm Optimization,PSO)则是一种有效的优化方法,它可以在超参数空间内搜索最优解。在PSO算法中,将每个超参数视为粒子,并在超参数空间内随机初始化这些粒子。算法通过计算每个粒子的适应度(GNN模型在验证集上的性能)来评估其位置的质量,并更新每个粒子的速度和位置以寻找更优的解。
本申请实施例采用了基于图卷积神经网络(GCN)的模型来学习节点的特征表示。GCN是一种卷积神经网络模型,可以对图结构数据进行特征学习,将每个节点转换为特征向量表示,从而可以计算节点之间的相似度或相关度。
假设输入图为G=(V,E),其中V表示节点集合,E表示边集合,每个节点vi对应一个特征向量通过GNN模型来学习每个节点的表示/>
GNN模型包括多个GCN层,每个层将当前节点的特征向量与其邻居节点的特征向量进行卷积运算,从而更新当前节点的特征表示。每个GCN层可以表示为以下公式(11):
其中,H(l)表示第l层的节点特征矩阵,表示领接矩阵A加上自连接的对称归一化。是/>的度矩阵,W(l)是第l层的权重矩阵,σ是激活函数。
这个公式中的的对称归一化的计算方法如下公式(12)所示:
其中,表示在原始领接矩阵A上添加自环,IN是N×N的单位矩阵,/>是/>的度矩阵,即如公式(13)所示:
在每个GCN层中,本申请实施例将输入的特征矩阵H(l)与权重矩阵W(l)相乘,然后使用邻接矩阵进行加权,最后再次归一化,得到下一层的特征矩阵H(l+1)。可以看到,这个公式中包含了邻居节点的信息,因此每个节点的特征向量表示将包含其邻居节点的信息。
本申请实施例中的GNN模型的输出是每个节点的最终特征向量表示其中L表示最后一层GCN层的编号。这些特征向量将用于计算节点之间的相似度和推荐服务。
可选地,在本发明的一个实施例中,通过粒子群算法对初始推荐模型的参数进行优化,得到目标推荐模型这一步骤,包括:
初始化粒子群的位置和速度;
根据当前位置的学习率,确定初始推荐模型的性能指标为适应度;
更新每个粒子的位置和速度,根据预设终止条件,确定目标位置和目标学习率;
根据目标学习率,确定目标推荐模型。
在一些可能的实施方式中,本申请实施例通过粒子群算法优化推荐模型的学习率。可以理解的是,超参数中的学习率对GNN模型的训练效果至关重要。优化学习率可以帮助GNN模型更快地收敛并且得到更好的性能。学习率是控制模型参数更新步长的超参数,如果学习率过大,可能会导致模型在训练过程中发生震荡或者不收敛的现象,而学习率过小则可能导致模型收敛缓慢。因此,通过优化学习率,可以帮助模型更好地调整参数,从而更好地拟合数据,提高模型的性能。
采用粒子群算法来优化学习率。粒子群算法是一种启发式优化算法,其灵感来源于鸟群捕食的行为。算法中,每个粒子代表一个可能的解,粒子的位置表示该解的参数取值,粒子的速度表示该解的更新方向和速度。具体地,算法流程如下:
步骤S41、初始化粒子群的位置和速度;定义粒子群的初始状态包括粒子数目和初始位置,其中每个粒子的初始位置表示学习率的初始值。同时,每个粒子还有一个初始速度,用于更新粒子位置。具体地,对于每个粒子i,其初始位置可以定义为学习率的一个随机数,同时,每个粒子的初始速度可以定义为一个小的随机数,用于更新粒子位置。
步骤S42、计算每个粒子的适应度(GNN模型在验证集上的性能);给定当前位置学习率,将其作为GNN模型的超参数之一,然后训练GNN模型并在验证集上计算性能指标。
步骤S43、更新每个粒子的速度和位置;在更新速度和位置时,每个粒子需要考虑自己曾经到达的最佳位置以及整个粒子群曾经到达的最佳位置。具体地,粒子的速度和位置更新公式如下公式组(14)所示:
vij t+1=ω·vij t+c1·r1·(pbestij-xij t)+c2·r2·(gbestj-xij t)
xij t+1=xij t+vij t+1 公式(14)
其中,表示粒子i的第j维速度,/>表示粒子i的第j维位置,ω表示惯性权重,pbestij表示粒子i曾经到达的最佳位置,gbesth表示整个粒子群曾经到达的最佳位置,c1和c2分别为粒子自身学习和群体学习的加速系数,r1和r2为[0,1]之间的随机数。
步骤S44、如果达到终止条件,则输出最佳解,否则返回步骤S42。
每个粒子在位置和速度的更新过程中,需要根据当前位置和速度,利用GNN模型在验证集上的性能来计算适应度,即粒子的目标函数值。具体地,对于一个粒子i,其目标函数值f(x)i表示为GNN模型在验证集上的性能,比如准确率、损失函数等。为了避免过拟合,采用交叉验证的方式来计算GNN模型在验证集上的性能。
整个粒子群的最佳位置gbest可以由当前粒子群中历史最佳适应度值对应的位置确定。在每一次迭代中,如果有任何一个粒子的目标函数值比当前粒子群的最佳值还要优秀,那么当前粒子的最佳位置pbest就会被更新为当前的位置。
可选地,在本发明的一个实施例中,方法还包括对初始推荐模型进行训练的步骤:
获取对象的服务特征样本;
将服务特征样本输入初始推荐模型,得到样本预测结果,根据样本预测结果与真实结果构建损失函数;
根据损失函数,通过方向传播算法对初始推荐模型的参数进行更新训练。
在一些可能的实施方式中,GNN模型的训练过程可以采用监督学习方法,使用节点分类任务进行模型训练。具体来说,本申请实施例对知识图谱中的每个节点进行分类,判断其属于哪个类别(例如服务类型)。本申请实施例将节点的真实标签表示为yi,使用交叉熵损失函数进行训练,即如公式(15)所示:
其中,其中,N表示节点总数,是模型预测节点i属于某个类别的概率,yi是节点i的真实标签。本申请实施例使用反向传播算法(Backpropagation)和优化算法(例如Adam)对模型参数进行更新,以最小化损失函数。具体地,本申请实施例定义GCN模型的损失函数如公式(16)所示:
其中,C是服务类型的数量,Nc是服务类型为c的节点数量,表示节点i属于服务类型c的特征表示,/>是GCN中第c层的邻接矩阵,λ是正则化系数,Θ是所有GCN层的参数。
在训练过程中,本申请实施例采用mini-batch梯度下降的方法对模型进行更新,将训练集中的节点分成多个小批次进行处理。对于每个小批次,本申请实施例先使用GCN模型将节点的特征表示学习出来,然后通过全连接层将节点的特征向量映射为类别概率。最后,本申请实施例使用交叉熵损失函数进行模型训练,以最小化预测错误率。
训练完成后,使用模型对新的节点进行分类预测。具体来说,将每个节点的特征表示输入到已训练的模型中,得到每个节点属于不同类别的概率分布,一定程度缓解模型启动时数据稀疏的问题。最后,本申请实施例根据预测概率进行排序,在将属于同一服务类型的节点推荐给用户。
本申请实施例中得到目标推荐模型后,通过目标推荐模型进行服务推荐。具体地,将GNN模型集成到服务推荐系统中,包括如何使用模型进行服务推荐、如何计算相似度和相关度等。
在服务推荐系统实现中,本申请实施例需要结合用户输入的文本描述和知识图谱中节点的向量表示,来寻找最匹配的服务节点,从而推荐合适的服务给用户。具体实现过程如下:
步骤S51、对于用户输入的文本描述,使用自然语言处理(NLP)技术提取关键词或短语,这些词或短语可以作为表示用户需求的特征。
步骤S52、使用已经训练好的GNN模型,对知识图谱中的节点进行特征提取和特征表示学习,将每个节点转换为特征向量表示。
步骤S53、计算每个服务节点和用户节点之间的相关度。可以使用基于加权余弦相似度的排序算法,将相关度高的服务推荐给用户。
对于用户输入的文本描述中提取出的关键词或短语,将其转化为向量表示,作为用户节点的特征向量。同时,对于知识图谱中的服务节点,也可以使用GNN模型将其转化为向量表示,作为服务节点的特征向量。
计算每个服务节点和用户节点之间的相似度或相关度,使用基于加权余弦相似度的排序算法,将相关度高的服务推荐给用户。其中,加权余弦相似度的计算公式(17)如下:
其中,u表示用户节点,s表示服务节点,f(u)和f(s)分别表示用户节点和服务节点的特征向量,n表示特征向量的维度,wi表示第i个特征的权重。权重可以通过特征的重要性来确定,例如服务的描述对于推荐的重要性可能更高。
可选地,在本发明的一个实施例中,对文本描述信息进行特征抽取操作,得到服务特征,包括:
对文本描述信息进行数据清洗操作,得到第一数据;
对第一数据进行数据类型划分处理,得到第二数据;
对第二数据进行特征提取操作,得到第三数据;
对第三数据进行归一化处理,得到服务特征。
在一些可能的实施方式中,参照图4所示,对文本描述信息的数据处理过程如下:
步骤S61、数据采集:收集需要处理的数据集。
步骤S62、数据清洗:对采集到的数据进行预处理,包括去除重复数据、填补缺失值、处理异常值等。
步骤S63、划分数据类型:将所得数据按照知识图谱按类型划分。
步骤S64、特征提取:根据数据类型和任务需求,从数据集中提取有用的特征,文本数据可以使用自然语言处理技术提取关键词、词向量等。
步骤S65、数据归一化:对特征进行归一化处理,以便模型训练更加稳定和高效。
步骤S66、数据转换:将数据集转换为模型可以处理的格式,如将文本数据转换为向量表示,数据预处理流程完成,可以进入模型构建、训练和预测阶段。
下面以一具体实施例对本申请实施例提出的推荐方法进行介绍,参照图2所示,主要步骤包括:
步骤S71、文本数据收集和预处理:预构建知识图阶段,从多种来源收集文本数据,进行基本的文本预处理。在使用阶段,对用户的需求文本描述进行相应处理。
步骤S72、实体识别和链接(用户使用阶段):使用自然语言处理技术(如命名实体识别、词性标注等)识别文本中的实体,并将其链接到知识图谱中的相应节点。
步骤S73、属性提取:从实体描述中提取属性信息,并将其与相应节点相关联。
步骤S74、构建知识图谱:将识别和链接的实体和其属性信息作为节点,并通过已知的关系将它们连接起来,从而构建知识图谱。如果用户描述了一个服务的特定功能或者服务提供商的名称,这些都可以被映射到已有的知识图谱节点上,然后基于这些节点以及用户的需求进行推荐。如果用户的文本描述无法映射到已有的知识图谱节点或者关系上,那么需要对知识图谱进行扩展或更新。
步骤S75、服务特征融合:对于服务节点,将其相应的服务特征进行融合,以便后续的GNN模型训练。
步骤S76、PSO-GNN模型构建:使用设计的模型对知识图谱进行学习,并生成节点嵌入表示,将不同服务类别分开。
步骤S77、优化模型超参数:选择模型超参数中的学习率使用粒子群算法进行优化,优化学习率可以帮助GNN模型更快地收敛并且得到更好的性能。
步骤S78、服务结果输出:使用基于加权余弦相似度的排序算法,计算服务节点和当前用户需求之间的相似度或相关度,并将相关度高的服务推荐给用户。
综上可知,本申请实施例基于图神经网络构建初始推荐模型,缓解了数据稀疏时的推荐准确率不佳的问题;同时,通过粒子群算法对模型参数进行更新,提升模型的推荐准确度。
其次,参照附图5描述根据本发明实施例提出的一种基于知识图谱的推荐系统。
图5是本发明一个实施例的基于知识图谱的推荐系统结构示意图,系统具体包括:
第一模块510,用于获取对象的文本描述信息;
第二模块520,用于对文本描述信息进行特征抽取操作,得到服务特征;服务特征用于表征对象、服务提供者和对象需求的服务;
第三模块530,用于将服务特征作为节点,构建初始推荐模型;初始推荐模型基于知识图谱建立;
第四模块540,用于通过粒子群算法对初始推荐模型的参数进行优化,得到目标推荐模型;
第五模块550,用于通过目标推荐模型对目标对象进行推荐。
可见,上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图6,本发明实施例提供了一种基于知识图谱的推荐装置,包括:
至少一个处理器610;
至少一个存储器620,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器610执行时,使得所述至少一个处理器610实现所述的图模型表征学习的动态知识图谱服务推荐方法。
同理,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,处理器可执行的程序在由处理器执行时用于执行上述的图模型表征学习的动态知识图谱服务推荐方法。
同理,上述方法实施例中的内容均适用于本存储介质实施例中,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干程序用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行程序的定序列表,可以具体实现在任何计算机可读介质中,以供程序执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从程序执行系统、装置或设备取程序并执行程序的系统)使用,或结合这些程序执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (7)
1.一种图模型表征学习的动态知识图谱服务推荐方法,其特征在于,包括以下步骤:
获取对象的文本描述信息;
对所述文本描述信息进行特征抽取操作,得到服务特征;所述服务特征用于表征对象、服务提供者和对象需求的服务;
将所述服务特征作为节点,构建初始推荐模型;所述初始推荐模型基于知识图谱建立;
通过粒子群算法对所述初始推荐模型的参数进行优化,得到目标推荐模型;
通过所述目标推荐模型对目标对象进行推荐。
2.根据权利要求1所述的图模型表征学习的动态知识图谱服务推荐方法,其特征在于,所述方法还包括:
通过优化图神经网络算法学习每个节点的特征表示,并根据所述特征表示更新所述初始推荐模型;所述节点为所述初始推荐模型中的知识图谱的节点。
3.根据权利要求1所述的图模型表征学习的动态知识图谱服务推荐方法,其特征在于,所述将所述服务特征作为节点,构建初始推荐模型,包括:
根据所述服务特征,构建对象节点、服务节点、服务特征节点和服务提供者节点;
通过皮尔逊相关系数计算对象节点之间的社会相似度;
根据两个服务节点之间的服务特征公共集合与服务特征的总集合之间的关系,确定服务节点之间的服务相似度;
若对象与服务之间存在调用关系,根据对象对多次调用服务的满意度均值,确定对象节点与服务节点之间的直接满意相似度;
若对象与服务之间不存在调用关系,根据相似对象对多次调用服务的满意度均值,确定对象节点与服务节点之间的间接满意相似度;
根据所述社会相似度、所述服务相似度、所述直接满意相似度和所述间接满意相似度,构建关系边;
根据所述对象节点、所述服务节点、所述服务特征节点、所述服务提供者节点和关系边,构建初始推荐模型。
4.根据权利要求2所述的图模型表征学习的动态知识图谱服务推荐方法,其特征在于,所述初始推荐模型包括若干图神经网络层,所述通过优化图神经网络算法学习每个节点的特征表示,并根据所述特征表示更新所述初始推荐模型,包括以下步骤:
在当前图神经网络层,对当前节点的特征向量与相邻节点的特征向量进行卷积处理,得到特征矩阵;根据特征矩阵,更新当前节点的特征表示;
根据特征矩阵,对下一层的图神经网络层进行节点的特征表示更新操作,直至完成所有图神经网络层的特征表示更新操作,更新初始推荐模型。
5.根据权利要求1所述的图模型表征学习的动态知识图谱服务推荐方法,其特征在于,所述通过粒子群算法对所述初始推荐模型的参数进行优化,得到目标推荐模型这一步骤,包括:
初始化粒子群的位置和速度;
根据当前位置的学习率,确定初始推荐模型的性能指标为适应度;
更新每个粒子的位置和速度,根据预设终止条件,确定目标位置和目标学习率;
根据所述目标学习率,确定目标推荐模型。
6.根据权利要求1所述的图模型表征学习的动态知识图谱服务推荐方法,其特征在于,所述方法还包括对初始推荐模型进行训练的步骤:
获取对象的服务特征样本;
将所述服务特征样本输入所述初始推荐模型,得到样本预测结果,根据所述样本预测结果与真实结果构建损失函数;
根据所述损失函数,通过方向传播算法对所述初始推荐模型的参数进行更新训练。
7.根据权利要求1所述的图模型表征学习的动态知识图谱服务推荐方法,其特征在于,所述对所述文本描述信息进行特征抽取操作,得到服务特征,包括:
对所述文本描述信息进行数据清洗操作,得到第一数据;
对所述第一数据进行数据类型划分处理,得到第二数据;
对所述第二数据进行特征提取操作,得到第三数据;
对所述第三数据进行归一化处理,得到服务特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310962292.6A CN117194771A (zh) | 2023-08-01 | 2023-08-01 | 一种图模型表征学习的动态知识图谱服务推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310962292.6A CN117194771A (zh) | 2023-08-01 | 2023-08-01 | 一种图模型表征学习的动态知识图谱服务推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117194771A true CN117194771A (zh) | 2023-12-08 |
Family
ID=88989555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310962292.6A Pending CN117194771A (zh) | 2023-08-01 | 2023-08-01 | 一种图模型表征学习的动态知识图谱服务推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117194771A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111078891A (zh) * | 2019-11-21 | 2020-04-28 | 北京爱医生智慧医疗科技有限公司 | 一种基于粒子群算法的知识图谱优化方法及装置 |
CN113158071A (zh) * | 2021-03-19 | 2021-07-23 | 广东工业大学 | 一种基于图神经网络的知识社交推荐方法、系统和设备 |
US20220323560A1 (en) * | 2015-08-28 | 2022-10-13 | Immatics Biotechnologies Gmbh | Peptides and t cells for use in immunotherapeutic treatment of various cancers |
CN116257696A (zh) * | 2022-12-30 | 2023-06-13 | 山东大学 | 一种基于跨模态知识图谱对比学习的服务推荐方法及系统 |
CN116401379A (zh) * | 2023-04-27 | 2023-07-07 | 中国工商银行股份有限公司 | 金融产品数据推送方法、装置、设备及存储介质 |
-
2023
- 2023-08-01 CN CN202310962292.6A patent/CN117194771A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220323560A1 (en) * | 2015-08-28 | 2022-10-13 | Immatics Biotechnologies Gmbh | Peptides and t cells for use in immunotherapeutic treatment of various cancers |
CN111078891A (zh) * | 2019-11-21 | 2020-04-28 | 北京爱医生智慧医疗科技有限公司 | 一种基于粒子群算法的知识图谱优化方法及装置 |
CN113158071A (zh) * | 2021-03-19 | 2021-07-23 | 广东工业大学 | 一种基于图神经网络的知识社交推荐方法、系统和设备 |
CN116257696A (zh) * | 2022-12-30 | 2023-06-13 | 山东大学 | 一种基于跨模态知识图谱对比学习的服务推荐方法及系统 |
CN116401379A (zh) * | 2023-04-27 | 2023-07-07 | 中国工商银行股份有限公司 | 金融产品数据推送方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177575B (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
WO2023000574A1 (zh) | 一种模型训练方法、装置、设备及可读存储介质 | |
CN110263227B (zh) | 基于图神经网络的团伙发现方法和系统 | |
CN111061856B (zh) | 一种基于知识感知的新闻推荐方法 | |
CN112529168B (zh) | 一种基于gcn的属性多层网络表示学习方法 | |
CN112184391B (zh) | 一种推荐模型的训练方法、介质、电子设备和推荐模型 | |
CN112765477B (zh) | 信息处理、信息推荐的方法和装置、电子设备和存储介质 | |
CN114329029B (zh) | 对象检索方法、装置、设备及计算机存储介质 | |
CN114358657B (zh) | 一种基于模型融合的岗位推荐方法及装置 | |
CN113918834B (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
Jiang et al. | An improved advertising CTR prediction approach based on the fuzzy deep neural network | |
CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
CN115982467A (zh) | 一种去偏化用户多兴趣推荐方法、装置及存储介质 | |
CN116228368A (zh) | 一种基于深度多行为网络的广告点击率预测方法 | |
CN115577283A (zh) | 一种实体分类方法、装置、电子设备及存储介质 | |
CN111178986A (zh) | 用户-商品偏好的预测方法及系统 | |
Cao et al. | Web API recommendation via combining graph attention representation and deep factorization machines quality prediction | |
CN112364245B (zh) | 基于异构信息网络嵌入的Top-K电影推荐方法 | |
Yuan et al. | Deep learning from a statistical perspective | |
CN116821519A (zh) | 一种基于图结构的系统过滤和降噪的智能推荐方法 | |
CN116910357A (zh) | 一种数据处理方法及相关装置 | |
Liu | POI recommendation model using multi-head attention in location-based social network big data | |
CN111782964B (zh) | 一种社区帖子的推荐方法 | |
CN115525819A (zh) | 一种面向信息茧房的跨领域推荐方法 | |
CN117194771A (zh) | 一种图模型表征学习的动态知识图谱服务推荐方法 |
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 |