[发明专利]一种融合多信息的个性化推荐方法

说明书

本发明公开了一种融合多信息的个性化推荐方法，该方法包括采用word2vec算法和FM算法获得用户与项目的相似度，采用RippleNet算法得到用户与项目的预测点击概率，采用动态融合算法得到预测评分，基于预测评分为用户提供个性化推荐列表。本发明将知识图谱与评论内容作为多源数据，并使用不同算法对数据进行处理，并采用动态融合方法进行有效结合，为用户提供更精准的个性化推荐服务，能够实现更好的推荐效果，并且可以有效地解决数据稀疏带来的推荐准确性降低的问题。

技术领域

本发明属于推荐系统技术领域，具体涉及一种融合多信息的个性化推荐方法。

背景技术

随着诸如人工智能，云计算与大数据技术以及移动互联网等先进技术的迅速发展，各种信息数据的规模也呈现爆炸式的增长。在享受这些数据带来的便利的同时，需要处理数据量过大而导致的“信息过载”问题。推荐系统则正是解决“信息过载”问题的有效方法之一，可以根据用户以及项目(item)的相关属性找到用户的兴趣点，并且将用户感兴趣的项目以个性化目录的方式推荐给用户。

目前，基于协同过滤的推荐系统考虑到用户与项目的历史交互，然后根据其潜在特征为用户提出推荐建议，已经取得一些效果。但是基于协同过滤的推荐系统通常会面临用户和商户历史交互数据的稀疏性问题及伴随的冷启动问题。为了解决这些局限性，研究人员将诸如用户/项目属性、社交网络、图像、背景等辅助信息纳入基于协同过滤的推荐系统。

在各种辅助信息中，知识图谱(Knowledge Graph,简称KG)由于其具有效率极高的事实描述能力以及可解释项目之间的关联信息，得到研究人员的广泛关注。知识图谱是一种定向异构图，其中节点对应于实体，边对应于关系。研究人员已经提出了诸多知识图谱，例如：NELL，DBpedia，以及诸如Google Knowledge Graph和Microsoft Satori的商业知识图谱。这些知识图谱已成功应用于多个领域，例如知识图谱填充，人机问答，单词嵌入(wordembedding)[10]和文本分类。

深度学习是当前互联网和人工智能的一个研究热点。深度学习主要是通过将低层的属性特征生成高层语义抽象，自动挖掘出数据的分布式特征表示，解决了传统机器学习中需要人工设计特征的问题，在图像识别，机器翻译等诸多领域取得了较大进展。基于深度学习的推荐系统近期得到广泛关注，是将与用户和商品项目相关数据作为输入，通过深度学习模型获得具有相应属性特征的用户和项目的隐表示，再基于这类隐表示为用户推荐项目。

知识图谱在各个领域中得到广泛应用，研究人员尝试利用知识图谱来改进推荐系统的性能。现有基于知识图谱的推荐系统分为如下两类：

(1)基于嵌入(embedding)的方法，此类方法使用知识图谱嵌入(knowledge graphembedding,KGE)算法预处理KG，并将学习到的实体嵌入到推荐系统框架中。基于嵌入的方法利用KG辅助推荐系统提升算法的灵活性，但是上述方法采用的KGE算法更适用于链路预测而不是推荐系统。

(2)基于路径的方法，此类方法探索KG中各实体之间的关联模式，作为推荐系统的额外辅助信息。基于路径的方法以更直观的方式使用KG，但是会严重依赖于人工设定的元路径，通用性无法保障，不同的应用场景需要设定不同的元路径。此外，实体和关系不在一个领域内的某些场景(例如，新闻推荐)中是无法人工设计元路径的。

文献较早将图嵌入技术应用于推荐领域。将Movielens中电影与用户信息嵌入(embedding)到同一个向量空间，进而计算用户与电影之间的空间距离，生成推荐列表。Wang等人将医学知识图谱、疾病患者二部图、疾病药物二部图分别嵌入低维向量空间，为病患推荐更为安全的药物治疗方式。通过加权平均将知识图谱与二部图结合生成包含更加细粒度属性信息的患者和药物向量，最终生成对给定患者的药物top-k列表。