[发明专利]一种改进的多任务学习与知识图谱结合的Ripp-MKR推荐方法

说明书

本发明公开了一种改进的多任务学习与知识图谱结合的Ripp‑MKR推荐方法，推荐方法包括的步骤有：步骤一、输入用户点击历史、知识图谱以及项目的初始化向量；步骤二、针对用户点击历史、知识图谱进行递归，获取用户的历史兴趣属性与权重；步骤三、加权所有尾部的特征向量得到一级响应；步骤四、所有的响应加权求和获得用户向量矩阵；步骤五、进行项目向量矩阵与知识图谱头部向量交叉训练；步骤六、迭代更新用户向量、项目向量、知识图谱头部尾部向量；步骤七、损失函数学习。有益效果：自动发现用户的层次潜在兴趣，推荐模块和KGE模块通过专门设计的交叉和压缩单元进行连接。采用多任务学习框架进行交替学习。

技术领域

本发明涉及一种Ripp-MKR推荐方法，特别涉及一种改进的多任务学习与知识图谱结合的Ripp-MKR推荐方法。

背景技术

目前，推荐系统被称为互联网的增长引擎。一个更好的推荐系统模型可以方便用户在信息超载的情况下高效获取高息信息，提高产品的用户转化率，达到企业经营目标持续增长的目的。为了提高推荐系统的准确性，在推荐系统的模型中加入大量的侧面信息，提取信息的隐藏内容，增强用户与项目之间的关联。边信息可以理解为辅助信息，如项目属性、项目评论、用户社交网络等。例如，当侧边信息用于了解产品嵌入时，同一品牌或类别的产品应该更加相似。根据数据类型，推荐方法可以分为两类：第一类是基于用户行为数据的推荐方法，也称为协同过滤。协同过滤可以分为两类:基于记忆的和基于模型的。其中基于记忆的协同过滤的代表性方法有UserCF(基于用户)和ItemCF(基于项目)，它们的功能是直接计算user-user或item-item与行为数据的相似性。基于模型的协同过滤的代表性方法主要包括一些隐式变量模型，如SVD、矩阵分解(MF)等。这些模型利用行为数据计算用户和物品的隐含向量，然后计算用户-用户或物品-物品的匹配度，从而提出推荐。在第二类方法中，最常见的模型是CTR模型。CTR模型本质上是一个二进制分类器，通常使用LR、XgBoost、lightGBM和其他分类器。对于这两类模型，采用不同的侧面信息来提高推荐的准确性。对于第一类方法，除了用户的行为数据外，还可以使用用户和对象的肖像数据，如性别、年龄、地区、标签、分类、标题、文本等。第二类方法利用行为数据和侧信息构造训练样本的特征和分类准则。

除上述属性数据外，其他数据结构信息也可作为边信息，如社交网络、属性、多媒体(如文本、图像、知识图(KGs)等。由于推荐系统的用户集、项目集和用户评分矩阵与知识图具有高度的集成性和相关性，因此许多学者热衷于研究知识图作为边信息的推荐模型。

为了获取知识图中的潜在信息，最大化知识图的信息内容，我们采用Ripp-MKR模型，该模型结合了RippleNet的偏好传播思想和MKR模型的交叉训练思想。将KG边信息与用户交互历史信息相结合，表示用户的特征向量，并再次将KG边信息作为一个嵌入项，训练隐藏信息的最大挖掘KG。Ripp-MKR与已有文献的主要区别在于，Ripp-MKR在应用于推荐系统的知识图特征学习过程中，采用了联合学习和交替学习两种方式：(1)通过偏好传播将KGE方法融入到推荐中，利用信息和偏好信息来表示用户的特征向量。(2)将知识图的特征学习和推荐算法视为两个独立但相关的任务，采用多任务学习框架进行交替学习。

发明内容

本发明的主要目的是为了获取知识图中的潜在信息，最大化知识图的信息内容而提供的一种改进的多任务学习与知识图谱结合的Ripp-MKR推荐方法。

本发明提供的改进的多任务学习与知识图谱结合的Ripp-MKR推荐方法，包括如下步骤：

步骤一、输入用户点击历史、知识图谱以及项目的初始化向量：