[发明专利]基于知识感知超图神经网络的推荐方法及系统

说明书

本发明公开了一种基于知识感知超图神经网络的推荐方法，包括以下步骤：步骤一、构建用户超图，初始超边以与该用户具有交互关系的物品为实体结点；构建物品超图，初始超边以与该物品有交互关系的任一用户具有交互关系的物品为实体结点；步骤二、对用户超图和每个物品超图进行卷积计算；步骤三、计算用户和所有物品的内积，得到用户与所有物品的交互得分。具有将物品的辅助信息整合到用户的向量表示中，从而可以从众多物品中选取出用户更有可能发生交互关系的物品的有益效果。公开了一种基于知识感知超图神经网络的推荐系统，包括：数据抓取模块；知识感知超图构建模块；领域卷积模块；超边卷积模块；预测模块。具有操作简单，预测准确的有益效果。

技术领域

本发明涉及知识感知应用技术领域。更具体地说，本发明涉及一种基于知识感知超图神经网络的推荐方法及系统。

背景技术

随着互联网的快速发展，推荐系统被广泛部署以减轻信息过载的影响。传统的推荐技术是协同过滤，它基于用户和物品标识分配表示向量，然后通过特定的操作(如内积或神经网络)对它们的交互进行建模。然而，在缺少辅助信息的情况下，这些基于协同过滤的方法通常存在稀疏性和冷启动问题。为了解决这些问题，已经探索了多种类型的辅助信息来提高推荐性能，例如物品属性、物品评论和用户的社交网络。

为了缓解传统推荐系统的稀疏性和冷启动问题，知识感知图谱作为辅助信息在推荐系统领域得到了广泛的研究和应用。然而，大多数现有的基于知识感知图谱的推荐方法存在以下缺点，即用户、项目和实体之间的高阶相关性建模不足，以及简单的聚合策略不能保留邻域中的关系信息。

近年来，知识图谱因其对综合辅助数据建模的灵活性，在推荐系统研究中受到越来越多的关注。知识图谱和推荐系统的融合关键是如何有效地将辅助信息整合到用户和项目的向量表示中。根据应对这一挑战的方式，现有的基于知识图谱的推荐系统可以分为两类，基于路径的和基于图神经网络的方法。基于路径的方法通过在知识图谱上探索目标用户和物品之间的多个元路径来推断用户偏好，这通常需要领域知识。更重要的是，这种类型的方法忽略了知识图谱中隐含的丰富的结构信息，不能充分描述给定目标用户和物品之间的潜在关系。受最近出现的图神经网络的启发，现有的基于图神经网络的方法通过在知识图谱中显式建模高阶连通性来提供显著的性能。然而，这些方法仍然受到两个限制:(1)知识图谱中用户、物品和实体之间的高阶相关性对于数据建模是必不可少的。这些方法主要应用图神经网络通过递归地聚集它们在知识图谱中的原始邻居来丰富目标节点的表示，因此对目标节点和非原始邻居之间的高阶相关性的建模有限制。此外，现有方法采用的图结构对高阶相关性建模和处理有约束，因为图只能表示成对的连接。(2)在邻域聚合时，简单的聚合函数(如均值和最大池化)通常作为聚合函数来执行，以生成邻域嵌入。这种聚合方式破坏了邻域中节点之间丰富的关系信息。因此邻域聚合忽略了邻域中节点之间关系的精细结构。

发明内容

本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

本发明还有一个目的是提供一种基于知识感知超图神经网络的推荐方法，可以克服传统推荐系统的稀疏性和冷启动问题，知识感知超图卷积方法可以有效地聚合邻域中不同的邻居并同时保留邻域中的关系信息。

提供一种基于知识感知超图神经网络的推荐系统，可以克服传统推荐系统的稀疏性和冷启动问题，有效地聚合邻域中不同的邻居并同时保留邻域中的关系信息。

为了实现根据本发明的这些目的和其它优点，提供了一种基于知识感知超图神经网络的推荐方法，包括以下步骤：

步骤一、构建用户超图，其中，用户超图包括用户的初始超边和2～l阶知识感知超边，l为大于1的整数，初始超边以与该用户具有交互关系的物品为实体结点，2阶知识感知超边以初始超边的实体结点对应的物品的辅助信息为实体结点，下一阶的知识感知超边是基于前一阶的知识感知超边的实体结点对应的物品或物品的辅助信息为实体结点，相邻两阶知识感知超边的实体结点分别对应物品和物品的辅助信息；