[发明专利]基于知识图谱和时序特征的对话推荐方法、系统及设备

权利要求书

1.一种基于知识图谱和时序特征的对话推荐方法，其特征在于，包括：

获取用户的至少一组对话数据；

将所述对话数据输入预先训练的对话推荐模型中，先后通过语义融合层获取对话数据的表征向量，通过时序优化层对所述对话数据的表征向量赋予时序特征，以及基于赋予时序特征的表征向量获取对话关键信息和用户偏好信息；

依据所述时序特征、对话关键信息以及用户偏好信息，生成至少一组用于对话的应答和/或至少一个用于推荐的item；

其中，所述对话推荐模型包括语义融合层和时序优化层，所述语义融合层的输出作为所述时序优化层的输入。

2.如权利要求1所述的一种基于知识图谱和时序特征的对话推荐方法，其特征在于，获取用户的至少一组对话数据之后，还包括：

构建对话推荐模型，并选取任一组对话数据对所述对话推荐模型进行训练，得到预先训练的对话推荐模型；

所述语义融合层基于知识图谱和图卷积神经网络构建而成，所述图卷积神经网络包括GCN神经网络和R-GCN神经网络；所述时序优化层基于依次连接的位置编码模块、BiGRU神经网络、注意力机制以及softmax模块构建而成。

3.如权利要求2所述的一种基于知识图谱和时序特征的对话推荐方法，其特征在于，所述通过语义融合层获取对话数据的表征向量包括：

从至少一个所述知识图谱中为对话数据中的单词级数据和item级数据分别匹配至少一个知识视图；

将所述单词级数据、item级数据以及各自匹配的知识视图分别输入到GCN神经网络和R-GCN神经网络，得到多个词表征向量和item表征向量。

4.如权利要求2所述的一种基于知识图谱和时序特征的对话推荐方法，其特征在于，将所述单词级数据、item级数据以及各自匹配的知识视图分别输入到GCN神经网络和R-GCN神经网络，得到多个词表征向量和item表征向量之前，还包括：

利用MIM函数对GCN神经网络和R-GCN神经网络的参数进行预训练，以使得词表征向量和item表征向量的语义空间对齐，并通过最大化公式来最大化互信息；

所述MIM函数为：

MI(X,Y)＝D_KL(P(X,Y)||P(X)P(Y))

所述最大化公式为：

MI(X,Y)≥E_p[g(x,y)]-E_N[g(x^*,y^*)]

其中，D_KL为相对熵，E_P为词表征向量的期望，E_n为item表征向量的期望。

5.如权利要求2所述的一种基于知识图谱和时序特征的对话推荐方法，其特征在于，所述通过时序优化层对所述对话数据的表征向量赋予时序特征，以及基于赋予时序特征的表征向量获取对话关键信息和用户偏好信息包括：

将所述词表征向量和所述item表征向量输入所述位置编码模块，得到经位置编码的词表征向量和经位置编码的item表征向量并传输至所述BiGRU神经网络；

基于所述BiGRU神经网络对经位置编码的词表征向量和经位置编码的item表征向量分别进行特征提取，得到词的特征向量和item的特征向量并传输至所述注意力机制；

通过所述注意力机制为不同的词的特征向量和item的特征向量分配相应的概率权重，经softmax模块计算得到关键词信息和关键item信息。