[发明专利]一种基于知识图谱的多元环境感知推荐方法及系统

说明书

本发明提出了一种基于知识图谱的多元环境感知推荐方法及系统，首先设计了面向推荐场景的基于知识图谱的规则提取方法，其主要使用知识图谱中用户与项目之间的连接路径，来提取指定推荐场景中最能代表用户兴趣偏好及项目属性特征的规则。继而采用Bi‑LSTM模型来学习各规则生成的路径的语义特征，并采用注意力机制来区分用户对不同规则的偏好以及那些最能代表指定项目的规则。然后，设计了局部信息感知模块来学习用户与项目的近距离邻域特征；最后，通过聚合算法整合了全局信息感知模块和局部信息感知模块学习到的用户与项目表示，并实施预测。在三个真实数据集上的实验结果证明，所提方法相比于基准方法性能都有明显的提高。

技术领域

本发明属于人工智能技术领域，更具体地，涉及一种基于知识图谱的多元环境感知推荐方法及系统。

背景技术

推荐系统在现代社会中起着重要作用，其已被广泛应用于在线学习平台、新闻网站，社交媒体、在线购物等平台上。其核心是根据用户在平台上的点击、浏览、观看、评论等历史交互信息来评估用户的兴趣偏好，并为之推荐其可能感兴趣的知识、项目或内容。在所有推荐方法中，最为经典的是协同过滤算法(Collaborative Filtering，CF)，其主要通过用户(user)间的行为来找到用户之间的相似性或者项目(item)之间的相似性，并通过该相似性来为用户做出决策。协同过滤算法因其通用、易理解等优势已成为推荐系统中使用最为广泛的算法之一。然而，由于该类算法没有考虑到用户环境的差异，并且存在较为严重的数据稀疏性及“冷启动”问题，算法性能还有较大提升空间。

如今，互联网及各平台存在丰富的用户或项目信息供使用。研究者开始考虑引入外部知识当作辅助信息，来增强推荐时用户与项目的特征表示，以改善推荐算法的性能。在所有的辅助信息中，以知识图谱为代表结构化知识库最受研究者关注。知识图谱不仅包含有大量高质量的结构化数据，可方便计算机读取；并且知识图谱中实体间丰富的语义关联可增强推荐场景中用户与项目之间的联系，有利于挖掘用户与项目间更深层次的偏好关系。

由于知识图谱天然的高维性与异构性，如何有效地将知识图谱这类基于图的结构化信息融入用户或项目的表征中，是基于知识图谱的推荐系统需要解决的核心问题。针对该问题，现有的解决方案主要可分为3种类型：基于嵌入(Embedding-based)的方法、基于路径(Path-based)的方法、基于传播(Propagation-based)的方法。

基于嵌入的方法：该类方法主要是使用知识图谱嵌入算法进行预处理，形成实体和关系的低维向量表示，然后将学习好的实体向量融合到推荐系统中。虽然基于知识图谱嵌入的方法在推荐系统中得到了一定的应用，然而，现有的知识图谱嵌入方法，包括翻译距离模型和语义匹配模型都侧重于对知识图谱中实体的语义关联进行建模，更适合于知识图谱补全和链路预测等任务，其所学习的嵌入特征表示应用于推荐系统时表现较差。并且，知识图谱嵌入方法主要用于静态图的嵌入表示，其对知识图谱的建模和特征表示与下游任务是独立的，当推荐系统中加入了新的用户或项目时，需要调用知识图谱嵌入算法重新学习整个图的特征表示。

基于路径的方法：该方法也称为基于HIN(Heterogeneous InformationNetworks)的方法，其通过构建用户-项目图，然后利用图中实体间的路径连接进行项目的推荐。传统的基于路径的方法通常将HIN中抽取的路径与MF(Matrix Factorization)方法相结合，并利用用户和/或项目的连接相似性来增强推荐。基于路径的方法较之于基于嵌入的方法在推荐准确度和可解释性上都有较大提升，但是该类方法严重依赖于所采用的元路径(Meta Path)的质量，在实践中很难优化路径的选择。另外，现有方法元路径的设计主要采用手动的方式，不适用于知识图谱实体数量较多、关系类型较为复杂的情况。