CN117216417A - 融合知识信息和协同信息的推荐方法、装置、设备及介质 - Google Patents
融合知识信息和协同信息的推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117216417A CN117216417A CN202311468633.0A CN202311468633A CN117216417A CN 117216417 A CN117216417 A CN 117216417A CN 202311468633 A CN202311468633 A CN 202311468633A CN 117216417 A CN117216417 A CN 117216417A
- Authority
- CN
- China
- Prior art keywords
- representation
- information
- representing
- knowledge
- information representation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000003993 interaction Effects 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 41
- 230000004927 fusion Effects 0.000 claims description 29
- 230000002776 aggregation Effects 0.000 claims description 22
- 238000004220 aggregation Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 abstract 2
- 230000010354 integration Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种融合知识信息和协同信息的推荐方法、装置、设备及介质，属于推荐技术领域，解决了现有技术中推荐方法存在的信息融合不足导致推荐结果准度低的问题。本发明技术方案主要包括：通过图神经网络对交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示；通过图神经网络对知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示；通过注意力机制将协作信息表示和知识信息表示融合为信息表示；构建训练样本集，基于第一对象信息表示和第二对象信息表示对训练样本集中的样本对进行推荐评估，根据交互集和未交互集各自的样本推荐评估差异确定损失值，基于损失值进行模型训练；通过训练后模型推荐预测分数。
Description
技术领域
本发明属于推荐技术领域，具体而言涉及一种融合知识信息和协同信息的推荐方法、装置、设备及介质。
背景技术
随着互联网应用的快速发展，推荐系统已经广泛应用于教育和媒体应用，电子商务平台，社交网络和商业网站。基于协同过滤传统推荐算法是在各种应用场景中使用最广泛和最有效的一种，该算法通过基于来自历史交互的用户或物品的相似性来建模用户的兴趣偏好。然而，基于CF的推荐算法通常存在数据稀疏问题和冷启动问题。为了缓解这些问题，将用户信息和物品描述等辅助信息整合到推荐系统中变得更加常见。而知识图谱（KG）包含丰富的语义、有意义的事实和关系，因此近年来引起了的广泛关注。
缓解数据稀疏问题和冷启动问题的主要挑战是如何有效整合用户行为的KG信息和协作信息，同时保留它们之间的内在联系，以提高个性化推荐的最终性能。然而，现有的基于KG的推荐算法存在两个问题：（1）现有的工作通常侧重于编码KG三元组进行知识补充，而忽略了用户-物品交互图嵌入学习中协作信息的显式传播。（2）常规方法简单地混合KG信息和协作信息，然后进行学习混合后的信息。这些模型可能导致收集过多的无信息知识，从而产生次优的建议。
本发明的目的在于提供一种推荐方法以加强现有技术中信息融合。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种融合知识信息和协同信息的推荐方法、装置、设备及介质，用以解决现有技术中推荐方法存在的信息融合不足导致推荐结果准度低的问题。
本发明第一方面实施例提供一种融合知识信息和协同信息的推荐方法，包括以下步骤：
基于第一对象与第二对象的交互信息构建交互图，通过图神经网络对所述交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示；
获取知识图谱，所述知识图谱包括所述第一对象、第二对象、第一对象间的关系、第二对象间的关系或者第一对象与第二对象间的关系，通过图神经网络对所述知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示；
通过注意力机制将所述第一对象协作信息表示和第一对象知识信息表示融合为第一对象信息表示，以及将所述第二对象协作信息表示和所述第二对象知识信息表示融合为第二对象信息表示；
构建训练样本集，训练样本为包括第一对象和第二对象的样本对，训练样本依据第一对象和第二对象有无交互分为交互集和未交互集，基于所述第一对象信息表示和第二对象信息表示对所述训练样本集中的样本对进行推荐评估，根据所述交互集和所述未交互集各自的样本推荐评估差异确定损失值，基于所述损失值进行模型训练；
通过训练后的第一对象信息表示和第二对象信息表示获取第一对象对未交互第二对象的推荐预测分数。
在一些实施例中，所述通过图神经网络对所述交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示，包括：
通过第一聚合函数汇聚所述第一对象第二对象交互图中的第一对象的邻居节点的表示作为该第一对象的下一层协作信息表示，汇聚过程表示为：
；
其中，表示第一对象u的协作信息的第k层表示，/>表示第二对象i的协作信息的第k层表示，/>表示第一对象u的邻居节点的集合，/>表示第一聚合函数；以及
通过第一聚合函数汇聚所述第一对象第二对象交互图中的第二对象的邻居节点的表示作为该第二对象的下一层协作信息表示，汇聚过程表示为：
；
其中，表示第一对象u的协作信息的第k层表示，/>表示第二对象i的协作信息的第k层表示，/>表示第二对象i的邻居节点的集合，/>表示第一聚合函数。
在一些实施例中，第一对象u的协作信息的第k+1层表示采用的第一聚合函数表示为：
；
第二对象i的协作信息的第k+1层表示采用的第一聚合函数表示为：
；
其中，表示第一对象u的协作信息的第k层表示，/>表示第二对象i的协作信息的第k层表示，/>表示第一对象u的邻居节点的集合，/>表示第二对象i的邻居节点的集合。
在一些实施例中，所述通过图神经网络对所述知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示，包括：
通过第二聚合函数汇聚所述知识图谱中的第一对象或者第二对象的邻居节点和邻接关系作为该第一对象或者第二对象的下一层知识信息表示，汇聚过程表示为：
；
其中，表示第一对象或者第二对象u的知识信息的第k层表示，/>表示实体v的知识信息的第k层表示，/>表示第一对象u和实体v的关系表示，/>表示第一对象或第二对象u的近邻集合，/>表示第二聚合函数。
在一些实施例中，第一对象或者第二对象u的知识信息的第k+1层表示采用的第二聚合函数表示为：
；
其中，表示第一对象或者第二对象u的知识信息的第k+1层表示，/>表示实体v的知识信息的第k层表示，/>表示第一对象或者第二对象u和实体v的关系表示，/>表示第一对象或第二对象u的近邻集合，/>表示基于元素的乘积。
在一些实施例中，通过注意力机制将所述第一对象协作信息表示和第一对象知识信息表示融合为第一对象信息表示，以及将所述第二对象协作信息表示和所述第二对象知识信息表示融合为第二对象信息表示，包括：
通过注意力机制将第一对象的协作信息表示和第一对象知识信息表示融合，融合公式表示为：
；
其中，表示第一对象第k层融合表示，/>表示第一对象u的知识信息第k层表示，/>表示第一对象u的协同信息第k层表示，/>表示第一对象u的注意力融合函数，表示/>的注意力得分，/>表示/>的注意力得分；
；
；
通过注意力机制将第二对象的协作信息表示和第二对象知识信息表示融合，融合公式表示为：
；
其中，表示第二对象第k层融合表示，/>表示第二对象i的知识信息第k层表示，/>表示第二对象i的协同信息第k层表示，/>表示第二对象i的注意力融合函数，表示/>的注意力得分，/>表示/>的注意力得分；
；
；
将每个层获得的第一对象融合表示和第二对象融合表示组合以获得第一对象信息表示和第二对象信息表示，组合公式表示为：
；
；
其中，表示第一对象信息表示，/>表示第二对象信息表示，L表示卷积层数。
在一些实施例中，所述基于所述第一对象信息表示和第二对象信息表示对所述训练样本集中的样本对进行推荐评估，包括：
通过第一对象信息表示和第二对象信息表示的内积表示所述推荐评估得分；
所述根据所述交互集和所述未交互集样本各自的推荐评估差异确定损失值，损失值表示为：
；
其中，表示第一对象u和第二对象i的推荐评估得分，/>表示第一对象u和第二对象j的推荐评估得分，/>，/>表示交互集，/>表示未交互集，/>表示sigmoid函数。
本发明第二方面实施例提供一种融合知识信息和协同信息的推荐装置，包括：
协作信息表示模块，基于第一对象与第二对象的交互信息构建交互图，通过图神经网络对所述交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示；
知识信息表示模块，获取知识图谱，所述知识图谱包括所述第一对象、第二对象、第一对象间的关系、第二对象间的关系或者第一对象与第二对象间的关系，通过图神经网络对所述知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示；
融合模块，通过注意力机制将所述第一对象协作信息表示和第一对象知识信息表示融合为第一对象信息表示，以及将所述第二对象协作信息表示和所述第二对象知识信息表示融合为第二对象信息表示；
训练模块，构建训练样本集，训练样本为包括第一对象和第二对象的样本对，训练样本依据第一对象和第二对象有无交互分为交互集和未交互集，基于所述第一对象信息表示和第二对象信息表示对所述训练样本集中的样本对进行推荐评估，根据所述交互集和所述未交互集样本各自的推荐评估差异确定损失值，基于所述损失值进行模型训练；
推荐模块，通过训练后的第一对象信息表示和第二对象信息表示获取第一对象对未交互第二对象的推荐分数。
本发明第三方面实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如上任一实施例所述的融合知识信息和协同信息的推荐方法。
本发明第四方面实施例提供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实现如上任一实施例所述的融合知识信息和协同信息的推荐方法。
本发明以上实施例至少具有以下有益效果：
1、整合了交互图和知识图的信息进行推荐，使得推荐结果兼顾了协作信息和知识信息。
2、通过本发明实施例的注意力机制融合协作信息和知识信息，使得推荐方法可以适用于交互图或者知识图稀疏的情况，避免了由于数据缺乏对于推荐性能的影响。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的融合知识信息和协同信息的推荐方法流程示意图；
图2为本发明实施例进行协作信息编码示意图；
图3为本发明实施例进行知识信息编码示意图；
图4为本发明实施例的信息融合过程示意图；
图5为本发明第二方面实施例提供的融合知识信息和协同信息的推荐装置架构示意图；
图6为本发明第四方面实施例提供的电子设备架构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合、分离、互换和/或重新布置。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
这里使用的术语是为了描述具体实施例的目的，而不意图是限制性的。如这里所使用的，除非上下文另外清楚地指出，否则单数形式“一个(种、者)”和“所述(该)”也意图包括复数形式。此外，当在本说明书中使用术语“包含”和/或“包括”以及它们的变型时，说明存在所陈述的特征、整体、步骤、操作、部件、组件和/或它们的组，但不排除存在或附加一个或更多个其它特征、整体、步骤、操作、部件、组件和/或它们的组。还要注意的是，如这里使用的，术语“基本上”、“大约”和其它类似的术语被用作近似术语而不用作程度术语，如此，它们被用来解释本领域普通技术人员将认识到的测量值、计算值和/或提供的值的固有偏差。
下面通过几个具体的实施例对本公开进行说明。为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。请参阅图1，本发明第一方面实施例提供一种融合知识信息和协同信息的推荐方法，包括以下步骤：
基于第一对象与第二对象的交互信息构建交互图，通过图神经网络对所述交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示。
获取知识图谱，所述知识图谱包括所述第一对象、第二对象、第一对象间的关系、第二对象间的关系或者第一对象与第二对象间的关系，通过图神经网络对所述知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示。
通过注意力机制将所述第一对象协作信息表示和第一对象知识信息表示融合为第一对象信息表示，以及将所述第二对象协作信息表示和所述第二对象知识信息表示融合为第二对象信息表示。
构建训练样本集，训练样本为包括第一对象和第二对象的样本对，训练样本依据第一对象和第二对象有无交互分为交互集和未交互集，基于所述第一对象信息表示和第二对象信息表示对所述训练样本集中的样本对进行推荐评估，根据所述交互集和所述未交互集各自的样本推荐评估差异确定损失值，基于所述损失值进行模型训练。
通过训练后的第一对象信息表示和第二对象信息表示获取第一对象对未交互第二对象的推荐预测分数。
应当理解的是，本发明实施例可以应用到多种场合，例如用户-物品的电商环境、用户-视频的自媒体平台环境或者用户-用户的社交网络平台等环境。在以下实施例中以用户-物品为例进行说明，因此以下描述中为了方便用户与第一对象等价，物品与第二对象等价。
基于此，本实施例构建的交互图理解为用户-物品交互图，本实施例研究推荐场景中的隐式反馈，其中关于用户偏好的历史交互是隐式的(例如，查看、点击、购买)。这里将交互图定义为一个用户-物品二部图，其中/>表示用户集合，/>表示为物品集合，当用户u与物品i之间有交互/>，否则/>。
本实施例中的知识图谱为将将结构化的辅助数据，如物品属性、分类或外部常识性知识，以主体-属性-客体三元组组成的有向图的形式存储。本实施例将知识图谱定义为图，其中/>是现实世界中的实体集合，可以包括用户之间的关系（人物关系）、物品之间的关系（物品属性、从属关系等）以及用户与物品之间的关系（包括用户行为、用户兴趣偏好等），/>是关系集合。例如，(Gong Li, ActorOf, Lifetimes Living)表示Gong Li是电影Lifetimes Living演员的事实。在一些实施例中，交互图可以和知识图谱通过物品和实体之间的映射/>，物品i可以与KG中相应实体h，t对齐。
在一些实施例中，如图2所示，所述通过图神经网络对所述交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示，包括：
通过第一聚合函数汇聚所述第一对象第二对象交互图中的第一对象的邻居节点的表示作为该第一对象的下一层协作信息表示，汇聚过程表示为：
；
其中，表示第一对象u的协作信息的第k层表示，/>表示第二对象i的协作信息的第k层表示，/>表示第一对象u的邻居节点的集合，/>表示第一聚合函数；以及
通过第一聚合函数汇聚所述第一对象第二对象交互图中的第二对象的邻居节点的表示作为该第二对象的下一层协作信息表示，汇聚过程表示为：
；
其中，表示第一对象u的协作信息的第k层表示，/>表示第二对象i的协作信息的第k层表示，/>表示第二对象i的邻居节点的集合，/>表示第一聚合函数。
本实施例学习GNN范式下的物品和用户的表征。基于GNN的推荐模型的关键是邻域聚合方案的设计。更具体地，物品和用户的表示向量通过递归地聚集和转换其多跳邻居的表示来更新。协作信息通过假设行为相似的用户将对物品具有相似的偏好，有力地表征了用户模式。因此，我们首先从用户-物品交互图中提取协作信息。AGG是一个聚合函数，它聚合用户-物品交互图中邻居的特征。在交互图中，物品的邻居即为与其有交互的用户，同理用户的邻居即为与其有交互的物品，因此汇聚过程表现为节点的特征汇聚。
在一些实施例中，第一对象u的协作信息的第k+1层表示采用的第一聚合函数表示为：
；
第二对象i的协作信息的第k+1层表示采用的第一聚合函数表示为：
；
其中，表示第一对象u的协作信息的第k层表示，/>表示第二对象i的协作信息的第k层表示，/>表示第一对象u的邻居节点的集合，/>表示第二对象i的邻居节点的集合。
本实施例简化了GCN的设计，使其更简洁，更适合LightGCN等建议。
在一些实施例中，如图3所示，所述通过图神经网络对所述知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示，包括：
通过第二聚合函数汇聚所述知识图谱中的第一对象或者第二对象的邻居节点和邻接关系作为该第一对象或者第二对象的下一层知识信息表示，汇聚过程表示为：
；
其中，表示第一对象或者第二对象u的知识信息的第k层表示，/>表示实体v的知识信息的第k层表示，/>表示第一对象u和实体v的关系表示，/>表示第一对象或第二对象u的近邻集合，/>表示第二聚合函数。
在一些实施例中，第一对象或者第二对象u的知识信息的第k+1层表示采用的第二聚合函数表示为：
；
其中，表示第一对象或者第二对象u的知识信息的第k+1层表示，/>表示实体v的知识信息的第k层表示，/>表示第一对象或者第二对象u和实体v的关系表示，/>表示第一对象或第二对象u的近邻集合，/>表示基于元素的乘积。
应当理解的是，在知识图谱中，用户和物品均作为实体，在上述描述中，当用户为第一对象u时，物品便属于实体v的范围，换句话说，当物品也可以为第二对象u，此时用户属于实体v的范围，而二者的汇聚方式是相同的。设计关系消息的原因是为了获得包括关于/>和/>的不同含义的新的/>，体现了知识信息和协作信息的不同含义。
在一些实施例中，通过注意力机制将所述第一对象协作信息表示和第一对象知识信息表示融合为第一对象信息表示，以及将所述第二对象协作信息表示和所述第二对象知识信息表示融合为第二对象信息表示，包括：
通过注意力机制将第一对象的协作信息表示和第一对象知识信息表示融合，融合公式表示为：
；
其中，表示第一对象第k层融合表示，/>表示第一对象u的知识信息第k层表示，/>表示第一对象u的协同信息第k层表示，/>表示第一对象u的注意力融合函数，表示/>的注意力得分，/>表示/>的注意力得分；
；
；
通过注意力机制将第二对象的协作信息表示和第二对象知识信息表示融合，融合公式表示为：
；
其中，表示第二对象第k层融合表示，/>表示第二对象i的知识信息第k层表示，/>表示第二对象i的协同信息第k层表示，/>表示第二对象i的注意力融合函数，表示/>的注意力得分，/>表示/>的注意力得分；
；
；
将每个层获得的第一对象融合表示和第二对象融合表示组合以获得第一对象信息表示和第二对象信息表示，组合公式表示为：
；
；
其中，表示第一对象信息表示，/>表示第二对象信息表示，L表示卷积层数。
为了获得用户和物品的最终表示，如何有效地融合这两种包含知识、协作信息的表示是很重要的。在一些数据案例中，用户-物品的交互丰富，模型可以学习到更多的协作信息；在另一种情况下，用户-物品的交互是稀疏的，模型应该更倾向于捕捉知识图中的知识信息。因此需要通过上述过程融合协作信息和知识信息。具体地，本实施例引入了上述注意力机制区分知识与协作信息的重要性。此外，在层之后，我们获得用户/>和物品/>在不同层的表示，然后进一步组合在每个层获得的嵌入，以形成用户或物品的最终表示。因为在不同层之间使用注意力机制，所以最终的表示将从不同的层捕获不同的语义。
在一些实施例中，所述基于所述第一对象信息表示和第二对象信息表示对所述训练样本集中的样本对进行推荐评估，包括：
通过第一对象信息表示和第二对象信息表示的内积表示所述推荐评估得分。
在层组合之后，模型推荐预测被定义为用户和物品最终表示的内积，表示为：
，/>是预测用户采用该物品的可能性，这被用作推荐生成的排名分数。的形成过程如图4所示。
所述根据所述交互集和所述未交互集样本各自的推荐评估差异确定损失值，损失值表示为：
；
其中，表示第一对象u和第二对象i的推荐评估得分，/>表示第一对象u和第二对象j的推荐评估得分，/>，/>表示交互集，/>表示未交互集，/>表示sigmoid函数。本实施例采用贝叶斯个性化排序(BPR)损失，这是一种成对损失，鼓励观察条目（交互集样本）的预测高于未观察条目（未交互集样本）。
训练开始后，选择用户已经交互的物品与用户形成正样本，对于负样本的获取，我们随机选择用户没有交互的物品，与正样本的比例为1:1。
较佳地，为了防止过拟合，我们最小化以下目标函数来学习模型参数：
；
计算损失后，KCIRec模型的所有参数通过梯度下降算法Adam进行更新。在重复训练固定轮数后，或者在指定轮数后损失值没有减少后，停止训练。
训练完成后，为用户推荐物品的过程包括：将用户嵌入向量和用户未交互的所有物品的嵌入向量成对带入预测函数，计算该用户对所有未交互物品的偏好得分，截取最可能的K个推荐，排序后推荐给该用户。
本发明第二方面实施例提供一种融合知识信息和协同信息的推荐装置，如图5所示，包括：
协作信息表示模块，基于第一对象与第二对象的交互信息构建交互图，通过图神经网络对所述交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示；
知识信息表示模块，获取知识图谱，所述知识图谱包括所述第一对象、第二对象、第一对象间的关系、第二对象间的关系或者第一对象与第二对象间的关系，通过图神经网络对所述知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示；
融合模块，通过注意力机制将所述第一对象协作信息表示和第一对象知识信息表示融合为第一对象信息表示，以及将所述第二对象协作信息表示和所述第二对象知识信息表示融合为第二对象信息表示；
训练模块，构建训练样本集，训练样本为包括第一对象和第二对象的样本对，训练样本依据第一对象和第二对象有无交互分为交互集和未交互集，基于所述第一对象信息表示和第二对象信息表示对所述训练样本集中的样本对进行推荐评估，根据所述交互集和所述未交互集样本各自的推荐评估差异确定损失值，基于所述损失值进行模型训练；
推荐模块，通过训练后的第一对象信息表示和第二对象信息表示获取第一对象对未交互第二对象的推荐分数。
本发明第三方面实施例提供一种电子设备，如图6所示，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如上任一实施例所述的融合知识信息和协同信息的推荐方法。
本发明第四方面实施例提供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实现如上任一实施例所述的融合知识信息和协同信息的推荐方法。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种融合知识信息和协同信息的推荐方法，其特征在于，包括以下步骤：
基于第一对象与第二对象的交互信息构建交互图，通过图神经网络对所述交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示；
获取知识图谱，所述知识图谱包括所述第一对象、第二对象、第一对象间的关系、第二对象间的关系或者第一对象与第二对象间的关系，通过图神经网络对所述知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示；
通过注意力机制将所述第一对象协作信息表示和第一对象知识信息表示融合为第一对象信息表示，以及将所述第二对象协作信息表示和所述第二对象知识信息表示融合为第二对象信息表示；
构建训练样本集，训练样本为包括第一对象和第二对象的样本对，训练样本依据第一对象和第二对象有无交互分为交互集和未交互集，基于所述第一对象信息表示和第二对象信息表示对所述训练样本集中的样本对进行推荐评估，根据所述交互集和所述未交互集各自的样本推荐评估差异确定损失值，基于所述损失值进行模型训练；
通过训练后的第一对象信息表示和第二对象信息表示获取第一对象对未交互第二对象的推荐预测分数。
2.根据权利要求1所述的融合知识信息和协同信息的推荐方法，其特征在于：所述通过图神经网络对所述交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示，包括：
通过第一聚合函数汇聚所述第一对象第二对象交互图中的第一对象的邻居节点的表示作为该第一对象的下一层协作信息表示，汇聚过程表示为：
；
其中，表示第一对象u的协作信息的第k层表示，/>表示第二对象i的协作信息的第k层表示，/>表示第一对象u的邻居节点的集合，/>表示第一聚合函数；以及
通过第一聚合函数汇聚所述第一对象第二对象交互图中的第二对象的邻居节点的表示作为该第二对象的下一层协作信息表示，汇聚过程表示为：
；
其中，表示第一对象u的协作信息的第k层表示，/>表示第二对象i的协作信息的第k层表示，/>表示第二对象i的邻居节点的集合，/>表示第一聚合函数。
3.根据权利要求2所述的融合知识信息和协同信息的推荐方法，其特征在于：第一对象u的协作信息的第k+1层表示采用的第一聚合函数表示为：
；
第二对象i的协作信息的第k+1层表示采用的第一聚合函数表示为：
；
其中，表示第一对象u的协作信息的第k层表示，/>表示第二对象i的协作信息的第k层表示，/>表示第一对象u的邻居节点的集合，/>表示第二对象i的邻居节点的集合。
4.根据权利要求1所述的融合知识信息和协同信息的推荐方法，其特征在于：所述通过图神经网络对所述知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示，包括：
通过第二聚合函数汇聚所述知识图谱中的第一对象或者第二对象的邻居节点和邻接关系作为该第一对象或者第二对象的下一层知识信息表示，汇聚过程表示为：
；
其中，表示第一对象或者第二对象u的知识信息的第k层表示，/>表示实体v的知识信息的第k层表示，/>表示第一对象u和实体v的关系表示，/>表示第一对象或第二对象u的近邻集合，/>表示第二聚合函数。
5.根据权利要求1所述的融合知识信息和协同信息的推荐方法，其特征在于：第一对象或者第二对象u的知识信息的第k+1层表示采用的第二聚合函数表示为：
；
其中，表示第一对象或者第二对象u的知识信息的第k+1层表示，/>表示实体v的知识信息的第k层表示，/>表示第一对象或者第二对象u和实体v的关系表示，/>表示第一对象或第二对象u的近邻集合，/>表示基于元素的乘积。
6.根据权利要求1所述的融合知识信息和协同信息的推荐方法，其特征在于：通过注意力机制将所述第一对象协作信息表示和第一对象知识信息表示融合为第一对象信息表示，以及将所述第二对象协作信息表示和所述第二对象知识信息表示融合为第二对象信息表示，包括：
通过注意力机制将第一对象的协作信息表示和第一对象知识信息表示融合，融合公式表示为：
；
其中，表示第一对象第k层融合表示，/>表示第一对象u的知识信息第k层表示，表示第一对象u的协同信息第k层表示，/>表示第一对象u的注意力融合函数，表示/>的注意力得分，/>表示/>的注意力得分；
；
；
通过注意力机制将第二对象的协作信息表示和第二对象知识信息表示融合，融合公式表示为：
；
其中，表示第二对象第k层融合表示，/>表示第二对象i的知识信息第k层表示，表示第二对象i的协同信息第k层表示，/>表示第二对象i的注意力融合函数，表示/>的注意力得分，/>表示/>的注意力得分；
；
；
将每个层获得的第一对象融合表示和第二对象融合表示组合以获得第一对象信息表示和第二对象信息表示，组合公式表示为：
；
；
其中，表示第一对象信息表示，/>表示第二对象信息表示，L表示卷积层数。
7.根据权利要求1所述的融合知识信息和协同信息的推荐方法，其特征在于：所述基于所述第一对象信息表示和第二对象信息表示对所述训练样本集中的样本对进行推荐评估，包括：
通过第一对象信息表示和第二对象信息表示的内积表示所述推荐评估得分；
所述根据所述交互集和所述未交互集样本各自的推荐评估差异确定损失值，损失值表示为：
；
其中，表示第一对象u和第二对象i的推荐评估得分，/>表示第一对象u和第二对象j的推荐评估得分，/>，/>表示交互集，/>表示未交互集，/>表示sigmoid函数。
8.一种融合知识信息和协同信息的推荐装置，其特征在于，包括：
协作信息表示模块，基于第一对象与第二对象的交互信息构建交互图，通过图神经网络对所述交互图进行编码以获得第一对象协作信息表示和第二对象协作信息表示；
知识信息表示模块，获取知识图谱，所述知识图谱包括所述第一对象、第二对象、第一对象间的关系、第二对象间的关系或者第一对象与第二对象间的关系，通过图神经网络对所述知识图谱进行编码以获得第一对象知识信息表示和第二对象知识信息表示；
融合模块，通过注意力机制将所述第一对象协作信息表示和第一对象知识信息表示融合为第一对象信息表示，以及将所述第二对象协作信息表示和所述第二对象知识信息表示融合为第二对象信息表示；
训练模块，构建训练样本集，训练样本为包括第一对象和第二对象的样本对，训练样本依据第一对象和第二对象有无交互分为交互集和未交互集，基于所述第一对象信息表示和第二对象信息表示对所述训练样本集中的样本对进行推荐评估，根据所述交互集和所述未交互集样本各自的推荐评估差异确定损失值，基于所述损失值进行模型训练；
推荐模块，通过训练后的第一对象信息表示和第二对象信息表示获取第一对象对未交互第二对象的推荐分数。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-7任一项所述的融合知识信息和协同信息的推荐方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的融合知识信息和协同信息的推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311468633.0A CN117216417B (zh) | 2023-11-07 | 2023-11-07 | 融合知识信息和协同信息的推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311468633.0A CN117216417B (zh) | 2023-11-07 | 2023-11-07 | 融合知识信息和协同信息的推荐方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117216417A true CN117216417A (zh) | 2023-12-12 |
| CN117216417B CN117216417B (zh) | 2024-02-20 |
Family
ID=89041075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311468633.0A Active CN117216417B (zh) | 2023-11-07 | 2023-11-07 | 融合知识信息和协同信息的推荐方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117216417B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619081A (zh) * | 2019-09-20 | 2019-12-27 | 苏州市职业大学 | 一种基于交互图神经网络的新闻推送方法 |
| CN113378048A (zh) * | 2021-06-10 | 2021-09-10 | 浙江工业大学 | 一种基于多视角知识图谱注意力网络的个性化推荐方法 |
| WO2022222037A1 (zh) * | 2021-04-20 | 2022-10-27 | 中国科学院深圳先进技术研究院 | 一种基于图神经网络推理的可解释推荐方法 |
| CN115374288A (zh) * | 2022-07-27 | 2022-11-22 | 电子科技大学 | 一种基于知识图谱与注意力机制的推荐方法 |
| CN115705384A (zh) * | 2021-08-13 | 2023-02-17 | 上海鼎算智能科技有限公司 | 基于知识图谱融合的解耦推荐方法、系统、终端及介质 |
| WO2023097929A1 (zh) * | 2021-12-01 | 2023-06-08 | 浙江师范大学 | 一种基于改进型kgat模型的知识图谱推荐方法及系统 |
| CN116304372A (zh) * | 2023-03-29 | 2023-06-23 | 南京邮电大学 | 一种融合群组的协作知识图网络推荐方法 |
-
2023
- 2023-11-07 CN CN202311468633.0A patent/CN117216417B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619081A (zh) * | 2019-09-20 | 2019-12-27 | 苏州市职业大学 | 一种基于交互图神经网络的新闻推送方法 |
| WO2022222037A1 (zh) * | 2021-04-20 | 2022-10-27 | 中国科学院深圳先进技术研究院 | 一种基于图神经网络推理的可解释推荐方法 |
| CN113378048A (zh) * | 2021-06-10 | 2021-09-10 | 浙江工业大学 | 一种基于多视角知识图谱注意力网络的个性化推荐方法 |
| CN115705384A (zh) * | 2021-08-13 | 2023-02-17 | 上海鼎算智能科技有限公司 | 基于知识图谱融合的解耦推荐方法、系统、终端及介质 |
| WO2023097929A1 (zh) * | 2021-12-01 | 2023-06-08 | 浙江师范大学 | 一种基于改进型kgat模型的知识图谱推荐方法及系统 |
| CN115374288A (zh) * | 2022-07-27 | 2022-11-22 | 电子科技大学 | 一种基于知识图谱与注意力机制的推荐方法 |
| CN116304372A (zh) * | 2023-03-29 | 2023-06-23 | 南京邮电大学 | 一种融合群组的协作知识图网络推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117216417B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310063B (zh) | 基于神经网络的记忆感知门控因子分解机物品推荐方法 | |
| CN112861967B (zh) | 基于异构图神经网络的社交网络异常用户检测方法及设备 | |
| CN112990972B (zh) | 一种基于异构图神经网络的推荐方法 | |
| CN112507246B (zh) | 一种融合全局和局部社会兴趣影响的社会推荐方法 | |
| CN111881350A (zh) | 一种基于混合图结构化建模的推荐方法与系统 | |
| CN110866145B (zh) | 一种共同偏好辅助的深度单类协同过滤推荐方法 | |
| 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 | |
| CN114461907B (zh) | 一种基于知识图谱的多元环境感知推荐方法及系统 | |
| CN112364245B (zh) | 基于异构信息网络嵌入的Top-K电影推荐方法 | |
| CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
| CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
| 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 | |
| Alhamdani et al. | Recommender system for global terrorist database based on deep learning | |
| CN113849725B (zh) | 一种基于图注意力对抗网络的社会化推荐方法及系统 | |
| Wang et al. | Online course recommendation algorithm based on multilevel fusion of user features and item features | |
| CN113918711B (zh) | 一种基于多视图多层注意力的面向学术论文的分类方法 | |
| CN117788122A (zh) | 一种基于异质图神经网络商品推荐方法 | |
| Martirano et al. | Co-MLHAN: contrastive learning for multilayer heterogeneous attributed networks | |
| CN118013134A (zh) | 一种基于评分偏差偏移的增强型社交推荐方法和模型 | |
| CN117251586A (zh) | 多媒体资源推荐方法、装置及存储介质 | |
| CN117216417B (zh) | 融合知识信息和协同信息的推荐方法、装置、设备及介质 | |
| CN116842277A (zh) | 一种基于跨主题对比学习的社交推荐方法 | |
| CN116561443A (zh) | 基于属性扩展的双消息传播图的项目推荐方法、装置 | |
| CN115391555A (zh) | 一种用户感知的知识图谱推荐系统及方法 | |
| Zhang et al. | A factored similarity model with trust and social influence for top-n 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |