[发明专利]一种融合多信息的个性化推荐方法

权利要求书

1.一种融合多信息的个性化推荐方法，其特征在于，包括以下步骤：

S1、获取用户-项目评论数据集，采用word2vec算法分别获取用户和项目的特征词向量，并采用FM算法获得用户与项目的相似度，具体包括以下分步骤：

S1-1、获取数据库中所有用户-项目评论信息，采用word2vec算法将一个用户对所有项目的评论合成代表用户信息的文本数据，并将一个项目接受到的所有用户的评论集成为项目的文本数据；

S1-2、采用word2vec算法分别对步骤S1-1得到的用户信息的文本数据和项目的文本数据进行向量化处理，得到用户和项目的特征词向量；

S1-3、采用FM算法将步骤S1-2得到的用户和项目的特征词向量进行两两组合，并添加交叉项特征，得到用户与项目的相似度；其中FM算法的模型表示为：

其中，m₀表示全局偏差项，m为用户u与项目v的特征向量z_uv的系数向量，M为二阶交互的权重矩阵，M_j,c为M的第j行c列的值，i_j,i_c为与z_uv的特征维度j和c相关的i维隐向量；

S2、根据用户的历史点击项目信息构建用户与项目的交互矩阵，并结合知识图谱，采用RippleNet算法得到用户与项目的预测点击概率；

S3、将步骤S1得到的用户与项目的相似度和步骤S2得到的用户与项目的预测点击概率采用动态融合算法进行动态融合得到预测评分，表示为：

其中，表示用户与项目的相似度，表示用户与项目的预测点击概率；

基于预测评分为用户提供个性化推荐列表。

2.如权利要求1所述的融合多信息的个性化推荐方法，其特征在于，所述步骤S1采用平方损失作为参数优化的目标函数，表示为：

其中，O表示观察到的用户-项目评分对集合，y_u,v表示用户u与项目v的交互历史，Θ表示所有参数，λ_Θ表示L2正则化参数。

3.如权利要求2所述的融合多信息的个性化推荐方法，其特征在于，所述步骤S2具体包括以下分步骤：

S2-1、设定用户集和项目集分别为U＝{u₁,u₂,...,u_m}和V＝{v₁,v₂,...，v_n}，构建用户与项目的交互矩阵，表示为：

Y_uv＝{y_uv|u∈U,v∈V}

其中，y_u,v表示用户u与项目v的交互历史，m表示用户数量，n表示项目数量；

S2-2、根据用户与项目的交互矩阵和包含关系-实体三元组的知识图谱，定义用户u的第k个关联实体为：

其中，(h,r,t)表示知识图谱包含的关系-实体三元组，h表示头实体，r表示关系，t表示尾实体，H表示与原点项目所关联的最远位置；

定义用户u在知识图谱G上的第k跳波纹集为：

S2-3、对于每一个项目v对应创建一个d维的嵌入向量v，将用户u的第一 跳波纹集的每一个三元组(h_i,r_i,t_i)与v的相关系数定义为：

其中，Rⁱ表示关系r_i的嵌入向量，hⁱ表示头实体h_i的嵌入向量；

S2-4、根据相关系数对用户u的第一跳波纹集的尾实体t_i计算加权和得到用户u对于项目v的一阶反响为：

根据用户u对于项目v的多阶反响，定义项目v的用户u的嵌入向量为：

其中，α_i为正项混合参数；

S2-5、根据项目v的用户u的嵌入向量得到用户与项目的预测点击概率，表示为：

其中，z_KG表示基于知识图谱数据的推荐结果。

4.如权利要求3所述的融合多信息的个性化推荐方法，其特征在于，所述步骤S2中RippleNet算法的损失函数表示为：

Γ＝∑_(u,v)∈Y-y_uvlogσ(u^Tv)+(1-y_uv)log(1-σ(u^Tv))。