CN117290611A - 基于多层次知识图谱的仪器推荐方法及装置 - Google Patents

基于多层次知识图谱的仪器推荐方法及装置 Download PDF

Info

Publication number
CN117290611A
CN117290611A CN202311577580.6A CN202311577580A CN117290611A CN 117290611 A CN117290611 A CN 117290611A CN 202311577580 A CN202311577580 A CN 202311577580A CN 117290611 A CN117290611 A CN 117290611A
Authority
CN
China
Prior art keywords
instrument
training
feature
user
knowledge
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
Application number
CN202311577580.6A
Other languages
English (en)
Other versions
CN117290611B (zh
Inventor
付雪林
高宸
韩啸
秦荧瑢
王涛
安重阳
唐海霞
李勇
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.)
Beijing Xin Li Fang Technologies Inc
Tsinghua University
Original Assignee
Beijing Xin Li Fang Technologies Inc
Tsinghua University
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 Beijing Xin Li Fang Technologies Inc, Tsinghua University filed Critical Beijing Xin Li Fang Technologies Inc
Priority to CN202311577580.6A priority Critical patent/CN117290611B/zh
Publication of CN117290611A publication Critical patent/CN117290611A/zh
Application granted granted Critical
Publication of CN117290611B publication Critical patent/CN117290611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于多层次知识图谱的仪器推荐方法及装置，涉及仪器推荐技术领域，方法包括：获取目标用户的仪器使用数据，目标用户的仪器使用数据包括仪器使用信息和目标用户与仪器的交互信息；根据仪器使用信息，得到仪器知识图谱，以及根据目标用户与仪器的交互信息，得到仪器交互二部图；将仪器知识图谱和仪器交互二部图输入至仪器推荐模型中，得到仪器推荐模型输出的仪器推荐结果。本发明不仅依赖用户的历史交互数据，还考虑仪器在仪器知识图谱中的位置和与其他仪器的关系，以及其在特定应用领域的重要性，从而显著提升推荐系统对用户需求的理解，以为用户提供更加合适、有针对性的推荐。

Description

基于多层次知识图谱的仪器推荐方法及装置
技术领域
本发明涉及仪器推荐技术领域，尤其涉及一种基于多层次知识图谱的仪器推荐方法及装置。
背景技术
用户在挑选仪器时，如何挑选到适合的仪器是一个重要而且复杂的问题。如果仪器的配置超过用户每日所需，仪器的配置越好，相应价格也会越高；反之如果仪器的配置低于用户每日所需，用户的工作就会受到影响，例如，如果测试通量不够，或最大在机测试量不够，就会增加用户的操作时间，甚至不能满足日常测试需求。
目前的推荐方法未充分考虑仪器交互行为的特殊性，无法应对仪器推荐的实际需求，而用户对于仪器的需求并不是单一的，是存在于多个层次和不同的类型中，这从本质上要求采取更加细致、具有针对性的建模方法来捕捉这些复杂的交互模式和需求，确保仪器推荐系统真实地反映用户的真实需求，并为其提供最合适的推荐。
发明内容
本发明提供一种基于多层次知识图谱的仪器推荐方法及装置，用以解决现有技术中未考虑仪器交互行为以致影响推荐结果准确率的缺陷，合理预测推荐仪器，并提高推荐的准确性。
本发明提供一种基于多层次知识图谱的仪器推荐方法，包括：获取目标用户的仪器使用数据，所述目标用户的仪器使用数据包括仪器使用信息和目标用户与仪器的交互信息；根据所述仪器使用信息，得到仪器知识图谱，以及根据所述目标用户与仪器的交互信息，得到仪器交互二部图；将所述仪器知识图谱和所述仪器交互二部图输入至仪器推荐模型中，得到所述仪器推荐模型输出的仪器推荐结果；其中，所述仪器推荐模型是根据仪器知识训练图谱、仪器交互二部训练图和仪器知识训练树训练得到的，所述仪器知识训练图谱是基于仪器历史使用数据得到的，所述仪器历史使用数据包括与用户存在交互的仪器第一仪器使用信息和与用户不存在交互的仪器对应的第二仪器使用信息，所述仪器交互二部训练图是基于所述第一仪器使用信息得到的，所述仪器知识训练树是基于与所述仪器历史使用数据对应仪器的历史功能数据得到的；所述仪器推荐模型用于分别对输入的仪器知识图谱和仪器交互二部图进行特征提取，并基于提取的仪器特征和用户交互特征进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果。
根据本发明提供的一种基于多层次知识图谱的仪器推荐方法，对输入的仪器知识图谱进行特征提取，包括：基于关系感知传播策略，对所述仪器知识图谱进行特征提取，得到对应仪器特征；
对输入的仪器交互二部图进行特征提取，包括：基于关系感知传播策略，对所述仪器交互二部图进行特征提取，得到对应用户交互特征。
根据本发明提供的一种基于多层次知识图谱的仪器推荐方法，训练仪器推荐模型，包括：获取仪器历史使用数据以及对应仪器的历史功能数据，所述仪器历史使用数据包括与用户存在交互的第一仪器使用信息和与用户不存在交互的第二仪器使用信息；根据所述仪器历史使用数据，得到仪器知识训练图谱，根据所述第一仪器使用信息，得到仪器交互二部训练图，以及根据所述对应仪器的历史功能数据，得到仪器知识训练树；将所述仪器知识训练图谱、所述仪器交互二部训练图和所述仪器知识训练树输入至待训练的仪器推荐模型中，得到与用户存在交互关系的第一仪器训练特征、用户交互训练特征和与用户不存在交互关系的第二仪器训练特征以及分别对应的第一仪器解纠缠训练特征、用户解纠缠训练特征和第二仪器解纠缠训练特征；根据所述第一仪器训练特征、所述用户交互训练特征、所述第二仪器训练特征、所述第一仪器解纠缠训练特征、所述用户解纠缠训练特征和所述第二仪器解纠缠训练特征，构建损失函数，并基于损失函数收敛，结束训练。
根据本发明提供的一种基于多层次知识图谱的仪器推荐方法，所述待训练的仪器推荐模型，包括：第一特征提取层，分别对所述仪器知识训练图谱和所述仪器交互二部训练图进行特征提取，得到对应与用户存在交互关系的第一仪器训练特征、与用户不存在交互关系的第二仪器训练特征和用户交互训练特征；第二特征提取层，分别对所述仪器知识训练图谱和所述仪器知识训练树进行特征提取，得到对应所述仪器知识训练图谱的第一训练特征和对应所述仪器知识训练树各层级的第二训练特征；信号检测层，针对所述仪器知识训练树的各个层级，基于所述第一训练特征和对应层级的第二训练特征，结合聚类算法，得到对应层级的监督信号；解纠缠特征学习层，基于所述各层级的监督信号、所述第一仪器训练特征和所述第二仪器训练特征，利用解纠缠仪器编码器，得到对应第一仪器解纠缠特征和第二仪器解纠缠特征，以及基于所述各层级的监督信号和所述用户交互训练特征，利用解纠缠用户编码器，得到用户解纠缠特征。
根据本发明提供的一种基于多层次知识图谱的仪器推荐方法，所述针对所述仪器知识训练树的各个层级，基于所述第一训练特征和对应层级的第二训练特征，结合聚类算法，得到对应层级的监督信号，包括：所述针对所述仪器知识训练树的各层级，对所述第一训练特征和对应层级的第二训练特征进行信息融合，得到对应层级的混合训练特征；利用聚类算法，分别对各层级的混合训练特征进行聚类，得到各层级对应的聚类结果；提取各层级聚类结果中各簇的簇心，作为对应层级的监督信号。
根据本发明提供的一种基于多层次知识图谱的仪器推荐方法，所述基于所述各层级的监督信号、所述第一仪器训练特征和所述第二仪器训练特征，利用解纠缠仪器编码器，得到对应第一仪器解纠缠特征和第二仪器解纠缠特征，包括：利用解纠缠仪器编码器，将所述第一仪器训练特征投影至所述仪器知识训练树各个层级，得到各层级上的第一仪器投影特征；以及，针对仪器知识训练树的各个层级，将对应层级的第一仪器投影特征投影至对应层级监督信号各簇心特征上，得到对应层级的第一仪器解纠缠特征；利用解纠缠仪器编码器，将所述第二仪器训练特征投影至所述仪器知识训练树各个层级，得到各层级上的第二仪器投影特征；以及，针对仪器知识训练树的各个层级，将对应层级的第二仪器投影特征投影至对应层级监督信号各簇心特征上，得到对应层级的第二仪器解纠缠特征；
所述基于所述各层级的监督信号和所述用户交互训练特征，利用解纠缠用户编码器，得到用户解纠缠特征，包括：利用解纠缠用户编码器，将所述用户交互特征投影至各层级监督信号各簇心特征上，得到用户解纠缠特征。
根据本发明提供的一种基于多层次知识图谱的仪器推荐方法，所述根据所述第一仪器训练特征、所述用户交互训练特征、所述第二仪器训练特征、所述第一仪器解纠缠训练特征、所述用户解纠缠训练特征和所述第二仪器解纠缠训练特征，构建损失函数，包括：根据所述第一仪器训练特征、所述用户交互训练特征和所述第二仪器训练特征，构建第一损失函数；根据所述用户解纠缠特征、所述第一仪器解纠缠特征和所述第二仪器解纠缠特征，构建第二损失函数；根据所述第一损失函数和所述第二损失函数，结合预设二范数约束，得到损失函数，并基于所述损失函数收敛，结束训练。
本发明还提供一种基于多层次知识图谱的仪器推荐装置，包括：数据获取模块，获取目标用户的仪器使用数据，所述目标用户的仪器使用数据包括仪器使用信息和目标用户与仪器的交互信息；数据处理模块，根据所述仪器使用信息，得到仪器知识图谱，根据所述目标用户与仪器的交互信息，得到仪器交互二部图；仪器推荐模块，将所述仪器知识图谱和所述仪器交互二部图输入至仪器推荐模型中，得到所述仪器推荐模型输出的仪器推荐结果；其中，所述仪器推荐模型是根据仪器知识训练图谱、仪器交互二部训练图和仪器知识训练树训练得到的，所述仪器知识训练图谱是基于仪器历史使用数据得到的，所述仪器历史使用数据包括与用户存在交互的仪器第一仪器使用信息和与用户不存在交互的仪器对应的第二仪器使用信息，所述仪器交互二部训练图是基于所述第一仪器使用信息得到的，所述仪器知识训练树是基于与所述仪器历史使用数据对应仪器的历史功能数据得到的；所述仪器推荐模型用于分别对输入的仪器知识图谱和仪器交互二部图进行特征提取，并基于提取的仪器特征和用户交互特征进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果。
本发明还提供一种电子设备，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，所述处理器执行所述程序时实现如上述任一种所述基于多层次知识图谱的仪器推荐方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于多层次知识图谱的仪器推荐方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于多层次知识图谱的仪器推荐方法的步骤。
本发明提供的基于多层次知识图谱的仪器推荐方法及装置，通过在仪器推荐中引入结构化、汇集了仪器的各种属性、功能、应用领域、以及与其他仪器的关联关系等的仪器知识图谱，以便于在对特定仪器进行推荐时，不仅依赖用户的历史交互数据，还考虑仪器在仪器知识图谱中的位置和与其他仪器的关系，以及其在特定应用领域的重要性，从而显著提升推荐系统对用户需求的理解，帮助推荐系统更加精准地评估每种仪器的真正价值和适用性，从而为用户提供更加合适、有针对性的推荐，在提高仪器推荐的准确度的同时，帮助系统在面对稀疏数据或新的仪器类型时，作出更为合理的预测和推荐。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于多层次知识图谱的仪器推荐方法的流程示意图；
图2是本发明提供的仪器知识图谱和仪器交互二部图的示意图；
图3是本发明提供的仪器推荐模型的训练流程示意图之一；
图4是本发明提供的待训练仪器推荐模型示意图；
图5是本发明提供的仪器推荐模型的训练流程示意图之二；
图6是本发明提供的基于多层次知识图谱的仪器推荐装置的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。基于本发明中的实施例，本领域普通技术人员在没有作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。
图1示出了一种基于多层次知识图谱的仪器推荐方法的流程示意图，该方法，包括：
S11，获取目标用户的仪器使用数据，目标用户的仪器使用数据包括仪器使用信息和目标用户与仪器的交互信息；
S12，根据仪器使用信息，得到仪器知识图谱，以及根据目标用户与仪器的交互信息，得到仪器交互二部图；
S13，将仪器知识图谱和仪器交互二部图输入至仪器推荐模型中，得到仪器推荐模型输出的仪器推荐结果；其中，仪器推荐模型是根据仪器知识训练图谱、仪器交互二部训练图和仪器知识训练树训练得到的，仪器知识训练图谱是基于仪器历史使用数据得到的，仪器历史使用数据包括与用户存在交互的仪器第一仪器使用信息和与用户不存在交互的仪器对应的第二仪器使用信息，仪器交互二部训练图是基于第一仪器使用信息得到的，仪器知识训练树是基于与仪器历史使用数据对应仪器的历史功能数据得到的；仪器推荐模型用于分别对输入的仪器知识图谱和仪器交互二部图进行特征提取，并基于提取的仪器特征和用户交互特征进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果。
需要说明的是，本说明书中的步骤编号“S1N”不代表基于多层次知识图谱的仪器推荐方法的先后顺序，下面具体结合图2-图5描述本发明的基于多层次知识图谱的仪器推荐方法。
步骤S11，获取目标用户的仪器使用数据，目标用户的仪器使用数据包括仪器使用信息和目标用户与仪器的交互信息。
需要补充的是，仪器使用信息包括各仪器信息、各仪器对应的品牌信息、行业信息以及所属类别实体信息，其中，类别实体包括至少一级类别实体，且同级类别实体并列，相邻级别类别实体之间存在从属关系。另外，仪器的交互信息包括用户以及用户对应使用过的仪器。
在实际应用中，仪器可以根据其功能、用途、工作原理等多个维度进行分类。例如，一个简单的分类可能是：医疗仪器、实验室仪器、工业仪器等。但在这些同级类别实体中，仍然可以进一步细分为更具体的子类，如医疗仪器可以进一步分为诊断仪器、治疗仪器等，从而确保后续能够有效学习多层次的仪器需求。
步骤S12，根据仪器使用信息，得到仪器知识图谱，以及根据目标用户与仪器的交互信息，得到仪器交互二部图。
在本实施例中，仪器知识图谱，可以表示为，其中，/>表示仪器知识图谱中的节点集合，节点包括仪器、品牌、行业和至少一级类别实体，且同级类别实体并列，相邻级别类别实体之间存在从属关系，/>表示仪器知识图谱中的连边集合，用于表这个相连两个节点之间的关系，参考图2，以便于充分利用用户的仪器使用行为，实现基于因果推断的层次化需求推理问题。
此外，仪器交互二部图表示为，参考图2，其中，/>表示仪器交互二部图中所有的节点集合，节点包括所有目标用户和所有仪器，且任一目标用户与至少一个仪器存在交互关系，/>表示仪器交互二部图中所有的连边集合，连边用于表征存在交互关系的目标用户与仪器之间的交互数据。
步骤S13，将仪器知识图谱和仪器交互二部图输入至仪器推荐模型中，得到仪器推荐模型输出的仪器推荐结果；其中，仪器推荐模型是根据仪器知识训练图谱、仪器交互二部训练图和仪器知识训练树训练得到的，仪器知识训练图谱是基于仪器历史使用数据得到的，仪器历史使用数据包括与用户存在交互的仪器第一仪器使用信息和与用户不存在交互的仪器对应的第二仪器使用信息，仪器交互二部训练图是基于第一仪器使用信息得到的，仪器知识训练树是基于与仪器历史使用数据对应仪器的历史功能数据得到的；仪器推荐模型用于分别对输入的仪器知识图谱和仪器交互二部图进行特征提取，并基于提取的仪器特征和用户交互特征进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果。
在本实施例中，仪器推荐模型，包括：第一特征提取层，分别对输入的仪器知识图谱和仪器交互二部图进行特征提取，得到对应仪器知识图谱的仪器特征和对应仪器交互二部图的用户交互特征；仪器推荐层，对仪器特征和用户交互特征进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果。
更进一步地说，对输入的仪器知识图谱进行特征提取，包括：基于关系感知传播策略，对仪器知识图谱进行特征提取，得到对应仪器特征。需要说明的是，相应地，对输入的仪器交互二部图进行特征提取，包括：基于关系感知传播策略，对仪器交互二部图进行特征提取，得到对应用户交互特征。
应当注意，仪器知识图谱上的信息可以协助模型生成更高质量的用户交互特征和仪器特征，且基于不同的消息传播策略，从仪器知识图谱中提取的信息之间存在明显的差异，因此，为了便于提高用户特征学习的质量，通过采用基于关系感知的消息传播机制，以在消息传播过程中，利用不同的关系区分来自不同邻居的消息；此外，消息聚合过程中，从不同邻居传播到同一节点的消息将被同等地对待，从而递归地在仪器知识图谱和仪器交互二部图上进行消息传播，有助于后续根据多层次的用户需求建模。
具体来讲，基于关系感知传播策略，对仪器知识图谱进行特征提取，包括：在各层中，根据仪器知识图谱，得到各仪器对应接收的消息，各仪器对应接收的消息是仪器的其他相邻节点基于关系感知传播的；基于各仪器对应接收的消息，对仪器知识图谱进行特征提取，得到对应仪器特征。
需要说明的是，假设模型为L层，则L层模型中，第m个仪器im的仪器特征表示为：
；
其中，表示第l+1层第m个仪器im的仪器特征，具体表示为：
；
其中，表示对应元素逐一相乘；/>表示仪器im在仪器知识图谱上有直接连边的邻居集合，/>中的元素存在于含有仪器/>的三元组中，如参考图2中，当仪器为/>时，同一节点对/>的路径有两条：路径A为/>，路径B为/>，对应三元组表示为/>或/>，通过这种方式，仪器知识图谱中不同的关系可以被视为滤波器，来自不同邻居的消息则通过关系感知的方式进行传播，从而在消息传播过程中，将不同关系的影响区分开来。
此外，利用图神经网络模型中仪器知识图谱上的消息传播策略，可以协助提取仪器侧的辅助信息，并将仪器相关的辅助信息存储在知识图谱的三元组中。由于仪器连接了仪器交互二部图和仪器知识图谱，通过仪器知识图谱上的消息传播，可以使获得的仪器特征向量中蕴含着仪器的辅助信息，以及通过交互二部图上的消息传播，便于在用户交互特征生成过程中间接地利用仪器的辅助信息，从而提高用户交互特征和仪器特征的质量。
需要补充的是，假设模型为L层，则L层模型中，目标用户的用户交互特征/>表示为：
；
其中，表示目标用户/>交互过的仪器集合；/>表示第l层模型中目标用户/>的用户交互特征，通过消息在仪器交互二部图上的传播，可以提升用户交互特征学习的质量。应当注意，与存在多种关系的仪器知识图谱相比，在仪器交互二部图中，只存在一种关系，即用户和仪器的交互，因此无需区分通过不同关系传播的消息的差异，在仪器知识图谱上完成消息传播后，可以进一步地在仪器交互二部图上的仪器和用户之间传播消息，换言之，所获得的仪器特征（例如/>）将被用于生成对应的用户特征向量。因此，存储在仪器知识图谱三元组中的仪器侧信息可以隐式地协助模型生成更具代表性的用户交互特征。
另外，由于仪器连接了交互二部图和知识图谱，可以将交互二部图和知识图谱扩展成为一个统一图，统一图可以表示为，其中统一图中的节点集合，统一图中的连边集合/>。在模型训练过程中，仪器知识图谱上的消息传播与仪器交互二部图上的消息传播将交替进行。
在一个可选实施例中，对仪器特征和用户交互特征进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果，包括：根据仪器特征和用户交互特征，得到余弦相似度；根据余弦相似度，从目标用户未交互仪器中选择预设数量的仪器，得到仪器推荐结果。
进一步地，余弦相似度表示为：
；
其中，表示用户交互特征；/>表示仪器特征；U表示所有目标用户的集合；/>表示目标用户u对应未交互仪器的集合。
在一个可选实施例中，在将仪器知识图谱和仪器交互二部图输入至仪器推荐模型中之前，包括：训练仪器推荐模型。具体而言，参考图3，训练仪器推荐模型，包括：
S31，获取仪器历史使用数据以及对应仪器的历史功能数据，仪器历史使用数据包括与用户存在交互的第一仪器使用信息和与用户不存在交互的第二仪器使用信息；
S32，根据仪器历史使用数据，得到仪器知识训练图谱，根据第一仪器使用信息，得到仪器交互二部训练图，以及根据对应仪器的历史功能数据，得到仪器知识训练树；
S33，将仪器知识训练图谱、仪器交互二部训练图和仪器知识训练树输入至待训练的仪器推荐模型中，得到与用户存在交互关系的第一仪器训练特征、用户交互训练特征和与用户不存在交互关系的第二仪器训练特征以及分别对应的第一仪器解纠缠训练特征、用户解纠缠训练特征和第二仪器解纠缠训练特征；
S34，根据第一仪器训练特征、用户交互训练特征、第二仪器训练特征、第一仪器解纠缠训练特征、用户解纠缠训练特征和第二仪器解纠缠训练特征，构建损失函数，并基于损失函数收敛，结束训练。
具体而言，在步骤S33中，参考图4，待训练的仪器推荐模型，包括：
第一特征提取层，分别对仪器知识训练图谱和仪器交互二部训练图进行特征提取，得到对应与用户存在交互关系的第一仪器训练特征、与用户不存在交互关系的第二仪器训练特征和用户交互训练特征；
第二特征提取层，分别对仪器知识训练图谱和仪器知识训练树进行特征提取，得到对应仪器知识训练图谱的第一训练特征和对应仪器知识训练树各层级的第二训练特征；
信号检测层，针对仪器知识训练树的各个层级，基于第一训练特征和对应层级的第二训练特征，结合聚类算法，得到对应层级的监督信号；
解纠缠特征学习层，基于各层级的监督信号、第一仪器训练特征和第二仪器训练特征，利用解纠缠仪器编码器，得到对应第一仪器解纠缠特征和第二仪器解纠缠特征，以及基于各层级的监督信号和用户交互训练特征，利用解纠缠用户编码器，得到用户解纠缠特征。
更进一步地说，针对仪器知识训练树的各个层级，基于第一训练特征和对应层级的第二训练特征，结合聚类算法，得到对应层级的监督信号，包括：针对仪器知识训练树的各层级，对第一训练特征和对应层级的第二训练特征进行信息融合，得到对应层级的混合训练特征；利用聚类算法，分别对各层级的混合训练特征进行聚类，得到各层级对应的聚类结果；提取各层级聚类结果中各簇的簇心，作为对应层级的监督信号。
需要补充的是，聚类算法可以根据实际设计需求选择，比如可以采用KMeans算法，以在不同层级分别生成团簇和各团簇的簇心。监督信号可以表示为，其中，/>表示仪器知识训练树第k层的第j个团簇，/>表示仪器知识训练树第k层的第j个团簇的簇心特征，则对仪器知识训练树第k层的特征进行聚类表示为：
；
其中，表示仪器知识训练树第k层中聚类后得到的团簇类别数量；/>表示第k层对应的实体/>的特征向量；对应仪器知识训练树第k层的第j个团簇的簇心特征表示为：
；
应当注意，由于同一层级对应的相似节点可以聚类到同一类中，因此通过这种方式，可以在仪器知识训练图谱向量化过程中提供额外的约束。此外，通过协同使用各个层级上的聚类结果，可以降低不完备的领域知识在特征学习过程中引入的噪声。
在监督信号生成过程中，可以基于设计需求使用现有仪器知识训练图谱向量化方法，以预训练的方式得到各层级节点的特征向量。在实验中，通过对比观察发现，方法的性能与仪器知识训练图谱向量化的质量正相关。故此，在进行实验时，采用仪器知识训练图谱向量化方法进行预训练。注意，预训练后生成的特征向量不会被直接加载到模型中，仅会被用以生成监督信号，从而为之后不同层级上的解纠缠特征学习做铺垫。
此外，在聚类之后，同一类中包含的节点可能在上一层级对应不同的父节点。造成这一现象的原因是存在着多种不同的分类体系。因此，不同层级上分别聚类之后得到的类中心，可以被视为已知仪器知识训练树之外的补充监督信号，以利用这些监督信号为高质量的特征学习提供保障。
特别地，当第一层级对应的节点之间存在显著的语义差别时，可以考虑省略该层级的节点聚类，直接将这些节点对应的特征向量作为该层级对应的类中心。
此外，基于各层级的监督信号、第一仪器训练特征和第二仪器训练特征，利用解纠缠仪器编码器，得到对应第一仪器解纠缠特征和第二仪器解纠缠特征，包括：利用解纠缠仪器编码器，将第一仪器训练特征投影至仪器知识训练树各个层级，得到各层级上的第一仪器投影特征；以及，针对仪器知识训练树的各个层级，将对应层级的第一仪器投影特征投影至对应层级监督信号各簇心特征上，得到对应层级的第一仪器解纠缠特征；利用解纠缠仪器编码器，将第二仪器训练特征投影至仪器知识训练树各个层级，得到各层级上的第二仪器投影特征；以及，针对仪器知识训练树的各个层级，将对应层级的第二仪器投影特征投影至对应层级监督信号各簇心特征上，得到对应层级的第二仪器解纠缠特征。
需要补充的是，与仪器功能有关的仪器知识训练图谱的向量化可以被视为一个信息融合的过程，在此过程中，通过聚合与仪器相关的各类辅助信息以生成仪器的特征。为了利用已知的领域知识指导特征学习，通过在各个功能层级上对仪器进行解纠缠特征学习。简单地说，当仪器知识训练图谱中存在多个三层级的仪器知识训练树时，可以通过解纠缠仪器编码器为每个仪器生成三个特征分量，每个特征分量都对应着不同的功能层级。
举例而言，以仪器为例，解纠缠仪器编码器首先利用与其关联的类别实体，将仪器特征/>投影到各个层级，即：
；
其中，表示sigmoid函数；/>表示第k层级上与仪器/>相关的类别实体，放大了与/>强相关维度承载的信息、抑制了与/>弱相关维度承载的信息。在通过该滤波器之后，第k层级上与实体/>相似的维度将通过非线性变换来增强。
其次，解纠缠仪器编码器将通过两个步骤生成仪器在层级k上的解纠缠分量/>。具体地，将/>投影到层级k对应的所有类中心/>，投影方式如下所示：
；
其中，表示/>在第k层级对应的第j个团簇/>上的仪器投影特征；/>表示仪器知识训练树第k层中聚类后得到的团簇类别数量。换言之，仪器知识训练树第k层获得的簇心特征/>被视作一组基。可以认为投影向量/>在一定程度上反映了仪器/>和团簇/>之间的相关性。
在各个层级上生成后，仪器/>对应于仪器知识训练树的三个层级的解纠缠分量可以表示为：
；
方法训练过程中，所有层级上仪器的单个投影分量都将与相对应的用户的投影分量进行匹配、估算损失并进行优化，得到对应仪器解纠缠特征：
；
其中，表示仪器/>在层级k上对应的一组解纠缠分量，以反映仪器/>在层级k上与该层级所有类的相关性。
相应地，基于各层级的监督信号和用户交互训练特征，利用解纠缠用户编码器，得到用户解纠缠特征，包括：利用解纠缠用户编码器，将用户交互特征投影至各层级监督信号各簇心特征上，得到用户解纠缠特征。
需要补充的是，用户的解纠缠分量可以通过解纠缠用户编码器生成。考虑到用户对不同仪器的需求信息较难获取，解纠缠用户编码器通过将用户交互特征直接投影到各层级对应的各簇心特征上的方式，来生成对应地用户解纠缠特征。
举例而言，对于用户，基于/>计算层级k对应的特征分量/>的方式表示为：
；
用户在三个层级上的解纠缠分量表示为：
；
其中，层级k对应的解纠缠分量为：
；
在步骤S34中，参考图5，在模型优化过程中，采用了BPR损失以成对的方式计算损失。具体地，根据第一仪器训练特征、用户交互训练特征、第二仪器训练特征、第一仪器解纠缠训练特征、用户解纠缠训练特征和第二仪器解纠缠训练特征，构建损失函数，包括：根据第一仪器训练特征、用户交互训练特征和第二仪器训练特征，构建第一损失函数；根据用户解纠缠特征、第一仪器解纠缠特征和第二仪器解纠缠特征，构建第二损失函数；根据第一损失函数和第二损失函数，结合预设二范数约束，得到损失函数，并基于损失函数收敛，结束训练。
需要说明的是，由于仪器解纠缠特征是通过仪器特征投影得到的，用户解纠缠特征是通过用户交互特征投影得到的，因此梯度回传过程中，可以借助解纠缠特征空间的损失优化对应仪器特征和户交互特征。
在本实施例中，损失函数L，表示为：
；
其中，表示第一损失函数；/>表示第二损失函数；/>表示预设二范数约束，表示所有模型参数的集合，利用预设二范数约束/>可以增强模型训练过程中的稳定性。注意，/>表示是统一图中的节点集合，即仪器知识训练图谱节点集合和仪器交互二部训练图节点集合的并集，R表示仪器知识训练图谱中的关系集合。
应当注意，对于每对存在交互的用户仪器对，需要从用户未交互的仪器集合/>中随机抽取一个仪器/>，其中/>分别表示用户u历史上交互过的仪器集合和未交互过的仪器集合。令/>表示通过随机负采样得到的三元组集合，则第一损失函数/>可以通过全特征空间中的BPR损失计算得到，表示为：
；
根据损失进行梯度回传时，可以看做是在特征空间中将用户u和其交互过的仪器/>推得更近，将其与未交互过的仪器/>拉的更远。
另外，为了利用解纠缠空间中的投影特征分量来帮助特征空间中的特征（仪器特征和用户交互特征）学习，在仪器知识训练树每个层级对应的解纠缠空间中，分别计算解纠缠损失。比如，仪器知识训练树为三个层级时，对应三个层级上的总的解纠缠损失，即第二损失函数的计算方式表示为：
；
其中层级k上的解纠缠损失表示为：
；
综上所述，本发明实施例通过在仪器推荐中引入结构化、汇集了仪器的各种属性、功能、应用领域、以及与其他仪器的关联关系等的仪器知识图谱，以便于在对特定仪器进行推荐时，不仅依赖用户的历史交互数据，还考虑仪器在仪器知识图谱中的位置和与其他仪器的关系，以及其在特定应用领域的重要性，从而显著提升推荐系统对用户需求的理解，帮助推荐系统更加精准地评估每种仪器的真正价值和适用性，从而为用户提供更加合适、有针对性的推荐，在提高仪器推荐的准确度的同时，帮助系统在面对稀疏数据或新的仪器类型时，作出更为合理的预测和推荐。
下面对本发明提供的基于多层次知识图谱的仪器推荐装置进行描述，下文描述的基于多层次知识图谱的仪器推荐装置与上文描述的基于多层次知识图谱的仪器推荐方法可相互对应参照。
图6示出了一种基于多层次知识图谱的仪器推荐装置的结构示意图，该装置，包括：
数据获取模块61，获取目标用户的仪器使用数据，目标用户的仪器使用数据包括仪器使用信息和目标用户与仪器的交互信息；
数据处理模块62，根据仪器使用信息，得到仪器知识图谱，根据目标用户与仪器的交互信息，得到仪器交互二部图；
仪器推荐模块63，将仪器知识图谱和仪器交互二部图输入至仪器推荐模型中，得到仪器推荐模型输出的仪器推荐结果；其中，仪器推荐模型是根据仪器知识训练图谱、仪器交互二部训练图和仪器知识训练树训练得到的，仪器知识训练图谱是基于仪器历史使用数据得到的，仪器历史使用数据包括与用户存在交互的仪器第一仪器使用信息和与用户不存在交互的仪器对应的第二仪器使用信息，仪器交互二部训练图是基于第一仪器使用信息得到的，仪器知识训练树是基于与仪器历史使用数据对应仪器的历史功能数据得到的；仪器推荐模型用于分别对输入的仪器知识图谱和仪器交互二部图进行特征提取，并基于提取的仪器特征和用户交互特征进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果。
在本实施例中，仪器推荐模型，包括：第一特征提取层，分别对输入的仪器知识图谱和仪器交互二部图进行特征提取，得到对应仪器知识图谱的仪器特征和对应仪器交互二部图的用户交互特征；仪器推荐层，对仪器特征和用户交互特征进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果。
相应地，仪器推荐模块63，包括：特征提取单元，将仪器知识图谱和仪器交互二部图输入至第一特征提取层，以分别进行特征提取，得到对应仪器知识图谱的仪器特征和对应仪器交互二部图的用户交互特征；仪器推荐单元，将仪器特征和用户交互特征输入至仪器推荐层进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果。
更进一步地说，特征提取单元，用于：通过特征提取单元，基于关系感知传播策略，对仪器知识图谱进行特征提取，得到对应仪器特征。相应地，特征提取单元，还用于：通过特征提取单元，基于关系感知传播策略，对仪器交互二部图进行特征提取，得到对应用户交互特征。
具体来讲，特征提取单元，用于：在各层中，根据仪器知识图谱，得到各仪器对应接收的消息，各仪器对应接收的消息是仪器的其他相邻节点基于关系感知传播的；基于各仪器对应接收的消息，对仪器知识图谱进行特征提取，得到对应仪器特征。
此外，仪器推荐单元，用于：匹配子单元，根据仪器特征和用户交互特征，得到余弦相似度；推荐子单元，根据余弦相似度，从目标用户未交互仪器中选择预设数量的仪器，得到仪器推荐结果。
在一个可选实施例中，该装置，还包括：训练模块，在将仪器知识图谱和仪器交互二部图输入至仪器推荐模型中之前，训练仪器推荐模型。具体而言，训练模块，包括：训练数据获取单元，获取仪器历史使用数据以及对应仪器的历史功能数据，仪器历史使用数据包括与用户存在交互的第一仪器使用信息和与用户不存在交互的第二仪器使用信息；数据处理单元，根据仪器历史使用数据，得到仪器知识训练图谱，根据第一仪器使用信息，得到仪器交互二部训练图，以及根据对应仪器的历史功能数据，得到仪器知识训练树；第一训练单元，将仪器知识训练图谱、仪器交互二部训练图和仪器知识训练树输入至待训练的仪器推荐模型中，得到与用户存在交互关系的第一仪器训练特征、用户交互训练特征和与用户不存在交互关系的第二仪器训练特征以及分别对应的第一仪器解纠缠训练特征、用户解纠缠训练特征和第二仪器解纠缠训练特征；第二训练单元，根据第一仪器训练特征、用户交互训练特征、第二仪器训练特征、第一仪器解纠缠训练特征、用户解纠缠训练特征和第二仪器解纠缠训练特征，构建损失函数，并基于损失函数收敛，结束训练。
具体而言，第一训练单元，包括：第一特征训练子单元，将仪器知识训练图谱和仪器交互二部训练图输入至第一特征提取层进行特征提取，得到对应与用户存在交互关系的第一仪器训练特征、与用户不存在交互关系的第二仪器训练特征和用户交互训练特征；第二特征训练子单元，将仪器知识训练图谱和仪器知识训练树输入至第二特征提取层，进行特征提取，得到对应仪器知识训练图谱的第一训练特征和对应仪器知识训练树各层级的第二训练特征；信号检测子单元，将第一训练特征和对应层级的第二训练特征输入至信号检测层，以针对仪器知识训练树的各个层级，基于第一训练特征和对应层级的第二训练特征，结合聚类算法，得到对应层级的监督信号；解纠缠特征学习子单元，将各层级的监督信号、第一仪器训练特征和第二仪器训练特征输入至解纠缠特征学习层的解纠缠仪器编码器中，得到对应第一仪器解纠缠特征和第二仪器解纠缠特征，将各层级的监督信号和用户交互训练特征输入至解纠缠特征学习层的解纠缠用户编码器中，得到用户解纠缠特征。
更进一步地说，信号检测子单元，包括：混合孙单元，针对仪器知识训练树的各层级，对第一训练特征和对应层级的第二训练特征进行信息融合，得到对应层级的混合训练特征；聚类孙单元，利用聚类算法，分别对各层级的混合训练特征进行聚类，得到各层级对应的聚类结果；提取各层级聚类结果中各簇的簇心，作为对应层级的监督信号。
解纠缠仪器编码器，用于：将第一仪器训练特征投影至仪器知识训练树各个层级，得到各层级上的第一仪器投影特征；以及，针对仪器知识训练树的各个层级，将对应层级的第一仪器投影特征投影至对应层级监督信号各簇心特征上，得到对应层级的第一仪器解纠缠特征。以及，解纠缠仪器编码器，用于：将第二仪器训练特征投影至仪器知识训练树各个层级，得到各层级上的第二仪器投影特征；以及，针对仪器知识训练树的各个层级，将对应层级的第二仪器投影特征投影至对应层级监督信号各簇心特征上，得到对应层级的第二仪器解纠缠特征。
相应地，解纠缠用户编码器，用于：将用户交互特征投影至各层级监督信号各簇心特征上，得到用户解纠缠特征。
第二训练单元，包括：第一损失函数构建子单元，根据第一仪器训练特征、用户交互训练特征和第二仪器训练特征，构建第一损失函数；第二损失函数构建子单元，根据用户解纠缠特征、第一仪器解纠缠特征和第二仪器解纠缠特征，构建第二损失函数；损失函数构建子单元，根据第一损失函数和第二损失函数，结合预设二范数约束，得到损失函数，并基于损失函数收敛，结束训练。
综上所述，本发明实施例通过在仪器推荐中引入结构化、汇集了仪器的各种属性、功能、应用领域、以及与其他仪器的关联关系等的仪器知识图谱，以便于在对特定仪器进行推荐时，不仅依赖用户的历史交互数据，还考虑仪器在仪器知识图谱中的位置和与其他仪器的关系，以及其在特定应用领域的重要性，从而显著提升推荐系统对用户需求的理解，帮助推荐系统更加精准地评估每种仪器的真正价值和适用性，从而为用户提供更加合适、有针对性的推荐，在提高仪器推荐的准确度的同时，帮助系统在面对稀疏数据或新的仪器类型时，作出更为合理的预测和推荐。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)71、通信接口(Communications Interface)72、存储器(memory)73和通信总线74，其中，处理器71，通信接口72，存储器73通过通信总线74完成相互间的通信。处理器71可以调用存储器73中的逻辑指令，以执行基于多层次知识图谱的仪器推荐方法，该方法包括：获取目标用户的仪器使用数据，目标用户的仪器使用数据包括仪器使用信息和目标用户与仪器的交互信息；根据仪器使用信息，得到仪器知识图谱，以及根据目标用户与仪器的交互信息，得到仪器交互二部图；将仪器知识图谱和仪器交互二部图输入至仪器推荐模型中，得到仪器推荐模型输出的仪器推荐结果；其中，仪器推荐模型是根据仪器知识训练图谱、仪器交互二部训练图和仪器知识训练树训练得到的，仪器知识训练图谱是基于仪器历史使用数据得到的，仪器历史使用数据包括与用户存在交互的仪器第一仪器使用信息和与用户不存在交互的仪器对应的第二仪器使用信息，仪器交互二部训练图是基于第一仪器使用信息得到的，仪器知识训练树是基于与仪器历史使用数据对应仪器的历史功能数据得到的；仪器推荐模型用于分别对输入的仪器知识图谱和仪器交互二部图进行特征提取，并基于提取的仪器特征和用户交互特征进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果。
此外，上述的存储器73中的逻辑指令可以通过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，包括若干指令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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于多层次知识图谱的仪器推荐方法，该方法包括：获取目标用户的仪器使用数据，目标用户的仪器使用数据包括仪器使用信息和目标用户与仪器的交互信息；根据仪器使用信息，得到仪器知识图谱，以及根据目标用户与仪器的交互信息，得到仪器交互二部图；将仪器知识图谱和仪器交互二部图输入至仪器推荐模型中，得到仪器推荐模型输出的仪器推荐结果；其中，仪器推荐模型是根据仪器知识训练图谱、仪器交互二部训练图和仪器知识训练树训练得到的，仪器知识训练图谱是基于仪器历史使用数据得到的，仪器历史使用数据包括与用户存在交互的仪器第一仪器使用信息和与用户不存在交互的仪器对应的第二仪器使用信息，仪器交互二部训练图是基于第一仪器使用信息得到的，仪器知识训练树是基于与仪器历史使用数据对应仪器的历史功能数据得到的；仪器推荐模型用于分别对输入的仪器知识图谱和仪器交互二部图进行特征提取，并基于提取的仪器特征和用户交互特征进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于多层次知识图谱的仪器推荐方法，该方法包括：获取目标用户的仪器使用数据，目标用户的仪器使用数据包括仪器使用信息和目标用户与仪器的交互信息；根据仪器使用信息，得到仪器知识图谱，以及根据目标用户与仪器的交互信息，得到仪器交互二部图；将仪器知识图谱和仪器交互二部图输入至仪器推荐模型中，得到仪器推荐模型输出的仪器推荐结果；其中，仪器推荐模型是根据仪器知识训练图谱、仪器交互二部训练图和仪器知识训练树训练得到的，仪器知识训练图谱是基于仪器历史使用数据得到的，仪器历史使用数据包括与用户存在交互的仪器第一仪器使用信息和与用户不存在交互的仪器对应的第二仪器使用信息，仪器交互二部训练图是基于第一仪器使用信息得到的，仪器知识训练树是基于与仪器历史使用数据对应仪器的历史功能数据得到的；仪器推荐模型用于分别对输入的仪器知识图谱和仪器交互二部图进行特征提取，并基于提取的仪器特征和用户交互特征进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于多层次知识图谱的仪器推荐方法，其特征在于，包括：
获取目标用户的仪器使用数据，所述目标用户的仪器使用数据包括仪器使用信息和目标用户与仪器的交互信息；
根据所述仪器使用信息，得到仪器知识图谱，以及根据所述目标用户与仪器的交互信息，得到仪器交互二部图；
将所述仪器知识图谱和所述仪器交互二部图输入至仪器推荐模型中，得到所述仪器推荐模型输出的仪器推荐结果；其中，所述仪器推荐模型是根据仪器知识训练图谱、仪器交互二部训练图和仪器知识训练树训练得到的，所述仪器知识训练图谱是基于仪器历史使用数据得到的，所述仪器历史使用数据包括与用户存在交互的仪器第一仪器使用信息和与用户不存在交互的仪器对应的第二仪器使用信息，所述仪器交互二部训练图是基于所述第一仪器使用信息得到的，所述仪器知识训练树是基于与所述仪器历史使用数据对应仪器的历史功能数据得到的；
所述仪器推荐模型用于分别对输入的仪器知识图谱和仪器交互二部图进行特征提取，并基于提取的仪器特征和用户交互特征进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果。
2.根据权利要求1所述的基于多层次知识图谱的仪器推荐方法，其特征在于，对输入的仪器知识图谱进行特征提取，包括：
基于关系感知传播策略，对所述仪器知识图谱进行特征提取，得到对应仪器特征；
对输入的仪器交互二部图进行特征提取，包括：
基于关系感知传播策略，对所述仪器交互二部图进行特征提取，得到对应用户交互特征。
3.根据权利要求1所述的基于多层次知识图谱的仪器推荐方法，其特征在于，训练仪器推荐模型，包括：
获取仪器历史使用数据以及对应仪器的历史功能数据，所述仪器历史使用数据包括与用户存在交互的第一仪器使用信息和与用户不存在交互的第二仪器使用信息；
根据所述仪器历史使用数据，得到仪器知识训练图谱，根据所述第一仪器使用信息，得到仪器交互二部训练图，以及根据所述对应仪器的历史功能数据，得到仪器知识训练树；
将所述仪器知识训练图谱、所述仪器交互二部训练图和所述仪器知识训练树输入至待训练的仪器推荐模型中，得到与用户存在交互关系的第一仪器训练特征、用户交互训练特征和与用户不存在交互关系的第二仪器训练特征以及分别对应的第一仪器解纠缠训练特征、用户解纠缠训练特征和第二仪器解纠缠训练特征；
根据所述第一仪器训练特征、所述用户交互训练特征、所述第二仪器训练特征、所述第一仪器解纠缠训练特征、所述用户解纠缠训练特征和所述第二仪器解纠缠训练特征，构建损失函数，并基于损失函数收敛，结束训练。
4.根据权利要求3所述的基于多层次知识图谱的仪器推荐方法，其特征在于，所述待训练的仪器推荐模型，包括：
第一特征提取层，分别对所述仪器知识训练图谱和所述仪器交互二部训练图进行特征提取，得到对应与用户存在交互关系的第一仪器训练特征、与用户不存在交互关系的第二仪器训练特征和用户交互训练特征；
第二特征提取层，分别对所述仪器知识训练图谱和所述仪器知识训练树进行特征提取，得到对应所述仪器知识训练图谱的第一训练特征和对应所述仪器知识训练树各层级的第二训练特征；
信号检测层，针对所述仪器知识训练树的各个层级，基于所述第一训练特征和对应层级的第二训练特征，结合聚类算法，得到对应层级的监督信号；
解纠缠特征学习层，基于所述各层级的监督信号、所述第一仪器训练特征和所述第二仪器训练特征，利用解纠缠仪器编码器，得到对应第一仪器解纠缠特征和第二仪器解纠缠特征，以及基于所述各层级的监督信号和所述用户交互训练特征，利用解纠缠用户编码器，得到用户解纠缠特征。
5.根据权利要求4所述的基于多层次知识图谱的仪器推荐方法，其特征在于，所述针对所述仪器知识训练树的各个层级，基于所述第一训练特征和对应层级的第二训练特征，结合聚类算法，得到对应层级的监督信号，包括：
所述针对所述仪器知识训练树的各层级，对所述第一训练特征和对应层级的第二训练特征进行信息融合，得到对应层级的混合训练特征；
利用聚类算法，分别对各层级的混合训练特征进行聚类，得到各层级对应的聚类结果；
提取各层级聚类结果中各簇的簇心，作为对应层级的监督信号。
6.根据权利要求4所述的基于多层次知识图谱的仪器推荐方法，其特征在于，所述基于所述各层级的监督信号、所述第一仪器训练特征和所述第二仪器训练特征，利用解纠缠仪器编码器，得到对应第一仪器解纠缠特征和第二仪器解纠缠特征，包括：
利用解纠缠仪器编码器，将所述第一仪器训练特征投影至所述仪器知识训练树各个层级，得到各层级上的第一仪器投影特征；以及，针对仪器知识训练树的各个层级，将对应层级的第一仪器投影特征投影至对应层级监督信号各簇心特征上，得到对应层级的第一仪器解纠缠特征；
利用解纠缠仪器编码器，将所述第二仪器训练特征投影至所述仪器知识训练树各个层级，得到各层级上的第二仪器投影特征；以及，针对仪器知识训练树的各个层级，将对应层级的第二仪器投影特征投影至对应层级监督信号各簇心特征上，得到对应层级的第二仪器解纠缠特征；
所述基于所述各层级的监督信号和所述用户交互训练特征，利用解纠缠用户编码器，得到用户解纠缠特征，包括：
利用解纠缠用户编码器，将所述用户交互特征投影至各层级监督信号各簇心特征上，得到用户解纠缠特征。
7.根据权利要求3所述的基于多层次知识图谱的仪器推荐方法，其特征在于，所述根据所述第一仪器训练特征、所述用户交互训练特征、所述第二仪器训练特征、所述第一仪器解纠缠训练特征、所述用户解纠缠训练特征和所述第二仪器解纠缠训练特征，构建损失函数，包括：
根据所述第一仪器训练特征、所述用户交互训练特征和所述第二仪器训练特征，构建第一损失函数；
根据所述用户解纠缠特征、所述第一仪器解纠缠特征和所述第二仪器解纠缠特征，构建第二损失函数；
根据所述第一损失函数和所述第二损失函数，结合预设二范数约束，得到损失函数，并基于所述损失函数收敛，结束训练。
8.一种基于多层次知识图谱的仪器推荐装置，其特征在于，包括：
数据获取模块，获取目标用户的仪器使用数据，所述目标用户的仪器使用数据包括仪器使用信息和目标用户与仪器的交互信息；
数据处理模块，根据所述仪器使用信息，得到仪器知识图谱，根据所述目标用户与仪器的交互信息，得到仪器交互二部图；
仪器推荐模块，将所述仪器知识图谱和所述仪器交互二部图输入至仪器推荐模型中，得到所述仪器推荐模型输出的仪器推荐结果；其中，所述仪器推荐模型是根据仪器知识训练图谱、仪器交互二部训练图和仪器知识训练树训练得到的，所述仪器知识训练图谱是基于仪器历史使用数据得到的，所述仪器历史使用数据包括与用户存在交互的仪器第一仪器使用信息和与用户不存在交互的仪器对应的第二仪器使用信息，所述仪器交互二部训练图是基于所述第一仪器使用信息得到的，所述仪器知识训练树是基于与所述仪器历史使用数据对应仪器的历史功能数据得到的；
所述仪器推荐模型用于分别对输入的仪器知识图谱和仪器交互二部图进行特征提取，并基于提取的仪器特征和用户交互特征进行匹配度评估，以根据匹配度评估结果得到仪器推荐结果。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1至7任一项所述基于多层次知识图谱的仪器推荐方法的步骤。
10.一种非暂态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至7任一项所述基于多层次知识图谱的仪器推荐方法的步骤。
CN202311577580.6A 2023-11-24 2023-11-24 基于多层次知识图谱的仪器推荐方法及装置 Active CN117290611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311577580.6A CN117290611B (zh) 2023-11-24 2023-11-24 基于多层次知识图谱的仪器推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311577580.6A CN117290611B (zh) 2023-11-24 2023-11-24 基于多层次知识图谱的仪器推荐方法及装置

Publications (2)

Publication Number Publication Date
CN117290611A true CN117290611A (zh) 2023-12-26
CN117290611B CN117290611B (zh) 2024-02-23

Family

ID=89253828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311577580.6A Active CN117290611B (zh) 2023-11-24 2023-11-24 基于多层次知识图谱的仪器推荐方法及装置

Country Status (1)

Country Link
CN (1) CN117290611B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681067A (zh) * 2020-04-17 2020-09-18 清华大学 基于图注意力网络的长尾商品推荐方法及系统
WO2021206859A1 (en) * 2020-04-10 2021-10-14 Microsoft Technology Licensing, Llc Machine-learned predictive models and systems for data preparation recommendations
CN113987200A (zh) * 2021-10-19 2022-01-28 云南大学 神经网络结合知识图谱的推荐方法、系统、终端、介质
CN114048331A (zh) * 2021-12-01 2022-02-15 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
CN114117220A (zh) * 2021-11-26 2022-03-01 东北大学 基于知识增强的深度强化学习交互式推荐系统及方法
CN114385930A (zh) * 2021-12-28 2022-04-22 清华大学 一种兴趣点推荐方法及系统
CN114691973A (zh) * 2020-12-31 2022-07-01 华为技术有限公司 一种推荐方法、推荐网络及相关设备
WO2022166635A1 (zh) * 2021-02-02 2022-08-11 浙江口碑网络技术有限公司 历史行为数据的处理方法、装置、计算机设备及存储介质
CN115062237A (zh) * 2022-06-16 2022-09-16 东北大学 基于图神经网络和知识图谱结合的文化资源推荐方法
CN115374347A (zh) * 2022-07-07 2022-11-22 江苏科技大学 一种基于知识图注意力网络的社交推荐方法
CN116304336A (zh) * 2023-03-21 2023-06-23 桂林电子科技大学 融合知识图谱和图神经网络的课程推荐方法
CN116842260A (zh) * 2023-07-07 2023-10-03 天津大学 一种基于图神经网络多空间交互建模的知识增强推荐方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021206859A1 (en) * 2020-04-10 2021-10-14 Microsoft Technology Licensing, Llc Machine-learned predictive models and systems for data preparation recommendations
CN111681067A (zh) * 2020-04-17 2020-09-18 清华大学 基于图注意力网络的长尾商品推荐方法及系统
CN114691973A (zh) * 2020-12-31 2022-07-01 华为技术有限公司 一种推荐方法、推荐网络及相关设备
WO2022166635A1 (zh) * 2021-02-02 2022-08-11 浙江口碑网络技术有限公司 历史行为数据的处理方法、装置、计算机设备及存储介质
CN113987200A (zh) * 2021-10-19 2022-01-28 云南大学 神经网络结合知识图谱的推荐方法、系统、终端、介质
CN114117220A (zh) * 2021-11-26 2022-03-01 东北大学 基于知识增强的深度强化学习交互式推荐系统及方法
CN114048331A (zh) * 2021-12-01 2022-02-15 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
CN114385930A (zh) * 2021-12-28 2022-04-22 清华大学 一种兴趣点推荐方法及系统
CN115062237A (zh) * 2022-06-16 2022-09-16 东北大学 基于图神经网络和知识图谱结合的文化资源推荐方法
CN115374347A (zh) * 2022-07-07 2022-11-22 江苏科技大学 一种基于知识图注意力网络的社交推荐方法
CN116304336A (zh) * 2023-03-21 2023-06-23 桂林电子科技大学 融合知识图谱和图神经网络的课程推荐方法
CN116842260A (zh) * 2023-07-07 2023-10-03 天津大学 一种基于图神经网络多空间交互建模的知识增强推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐浩;刘柏嵩;刘晓玲;黄伟明;: "基于协同知识图谱特征学习的论文推荐方法", 计算机工程, no. 09 *
唐浩;刘柏嵩;刘晓玲;黄伟明;: "基于协同知识图谱特征学习的论文推荐方法", 计算机工程, vol. 46, no. 09, 19 January 2020 (2020-01-19), pages 306 - 312 *

Also Published As

Publication number Publication date
CN117290611B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
Wang et al. Relational message passing for knowledge graph completion
CN110659723B (zh) 基于人工智能的数据处理方法、装置、介质及电子设备
Steffen et al. Introduction to active automata learning from a practical perspective
Helton et al. Algebras, synchronous games and chromatic numbers of graphs
CN112052404B (zh) 多源异构关系网络的群体发现方法、系统、设备及介质
WO2023065859A1 (zh) 物品推荐方法、装置及存储介质
CN111932386A (zh) 用户账号确定方法及装置、信息推送方法及装置、电子设备
US20210149851A1 (en) Systems and methods for generating graph data structure objects with homomorphism
Drakopoulos et al. A graph neural network for fuzzy Twitter graphs.
Dekhovich et al. Continual prune-and-select: class-incremental learning with specialized subnetworks
CN111291138B (zh) 更新关系网络的方法及装置
CN115114329A (zh) 数据流异常检测的方法、装置、电子设备和存储介质
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
CN116340793A (zh) 一种数据处理方法、装置、设备以及可读存储介质
CN114462582A (zh) 基于卷积神经网络模型的数据处理方法及装置、设备
CN114611081A (zh) 账号类型识别方法、装置、设备、存储介质及产品
Li et al. Effective hybrid graph and hypergraph convolution network for collaborative filtering
CN117290611B (zh) 基于多层次知识图谱的仪器推荐方法及装置
CN116975706A (zh) 数据处理方法、装置、设备、可读存储介质及程序产品
WO2022077345A1 (en) Method and apparatus for neural network based on energy-based latent variable models
CN111368337B (zh) 保护隐私的样本生成模型构建、仿真样本生成方法及装置
CN115186096A (zh) 针对特定类型分词的识别方法、装置、介质及电子设备
CN112231571A (zh) 资讯数据的处理方法、装置、设备及存储介质
Hońko Upgrading a granular computing based data mining framework to a relational case
Gopalakrishnan Graph Augmentation Using Spectral Moments

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