[发明专利]一种基于知识图谱和深度学习的协同过滤推荐方法及设备

说明书

本发明公开了一种基于知识图谱和深度学习的协同过滤推荐方法及设备，所述方法包括：获取用户和项目的关系数据，建立用户—项目交互图和知识图谱；根据用户—项目交互图生成嵌入矩阵，得到用户和项目的原始嵌入向量，并提取知识图谱中与项目相关联的实体所在三元组，得到三元组中实体对应的嵌入向量；将用户嵌入向量在L层Light‑GCN网络中递归地传播嵌入，得到每层的用户嵌入向量，再结合得到用户高阶嵌入向量；知识图谱借助涟漪网络传播嵌入，经过L个涟漪网络传播及交叉压缩单元的高阶交互得到项目高阶嵌入向量；将用户高阶嵌入向量和项目高阶嵌入向量传入点积预测函数，根据预测结果向用户推荐其兴趣项目。本发明克服了传统推荐方法冷启动和稀疏性的缺陷。

技术领域

本发明涉及推荐领域，具体涉及一种协同过滤的项目推荐方法及设备。

背景技术

随着互联网技术的快速发展，网络越来越多地参与到人们的工作和生活，例如，可以通过网上商店购买商品，通过互联网参与各种活动，搜寻感兴趣的信息如电影、书籍、知识点等。随着信息量的攀升，出现了很多的推荐系统，以向用户推荐贴合其兴趣点的项目/物品。推荐系统一般使用推荐算法，获取数据并预测给定的用户组会对哪些选项感兴趣。协同过滤(Collaborative filtering)是一种通过假设行为相似的用户会对物品表现出相似的偏好来解决个性化推荐的算法。然而，由于互联网应用的场景下，用户的历史数据相对于总商品数而言总是极度的稀疏，导致协同类算法不适用应用于获取用户评分数据较为困难的场景。同时存在冷启动问题，对于新用户、新商品，很难保证推荐质量。传统的方法如因子化机(Factorization Machines，FM)把推荐看作是一个有监督的学习问题，它假设每个交互都是一个独立的实例，并对其进行编码。由于忽略了许多事件或事件的关系(例如，一部电影的导演同时也是另一部电影的导演，一首音乐的作者同时也是另一首音乐的作者)，这些方法不足以从电影/音乐的集体行为中提取协同信号，其他方法要么通过提取路径，要么用正则化方法隐式建模，都无法有效的解释用户或者项目的行为。

因此，必须对对传统推荐方法进行多方面的实质性改进，提高推荐准确性，并使其可解释性得到加强。

发明内容

发明目的：针对现有技术的问题，本发明提出一种基于知识图谱和深度学习的协同过滤推荐方法，克服传统的推荐方法可解释性差，准确性低的缺陷。

本发明的另一目的是提供一种可执行所述协同过滤推荐方法的计算机设备。

技术方案：第一方面，一种基于知识图谱和深度学习的协同过滤推荐方法，包括以下步骤：

(1)获取用户和项目之间的关系数据集，整理得到用户—项目交互图和知识图谱，用户—项目交互图中包含用户ID、项目ID以及用户是否与项目有过交互的标识信息，知识图谱中三元组表示与项目相关联的实体之间的关系；

(2)根据用户—项目交互图中的用户ID和项目ID生成嵌入矩阵，得到用户和项目的原始嵌入向量u⁽⁰⁾和v⁽⁰⁾，并提取知识图谱中与项目相关联实体所在的三元组，得到三元组中实体对应的嵌入向量；

(3)将用户嵌入向量u⁽⁰⁾在L层Light-GCN网络中递归地传播嵌入，分别得到每层的用户嵌入向量，再将每层的用户嵌入向量结合得到用户的高阶嵌入向量u_L；

(4)知识图谱借助涟漪网络传播嵌入，上一层项目v对应的知识图谱中实体的初始嵌入向量经过涟漪网络传播得到上一层的实体嵌入向量m，上一层项目嵌入向量与上一层实体嵌入向量之间用能够共享交互特征的交叉压缩单元连接，经过L个涟漪网络传播及交叉压缩单元的高阶交互后得到项目的高阶嵌入向量v_L；

(5)将用户的高阶嵌入向量和项目的高阶嵌入向量传入点积预测函数，根据预测函数的计算结果向用户推荐其感兴趣的项目。

第二方面，一种计算机设备，所述设备包括：