[发明专利]基于知识图谱的协同过滤推荐方法及系统

说明书

本发明提供了一种基于知识图谱的协同过滤推荐方法，该方法根据实体交互图和实体对应的知识图谱得到协同知识图谱；将与实体相关的描述信息输入实体描述编码器得到实体描述向量；基于TransR算法通过混合项的限制，将实体描述向量和实体结构向量映射到同一语义空间，语义空间中还包括关系向量；根据协同知识图谱得到实体的自我中心网络向量；根据实体描述向量和实体结构向量得到实体表示向量，实体表示向量根据实体表示向量和自我中心网络向量进行更新；根据实体表示向量得到用户与物品之间的交互概率。上述方法解决了协同过滤中的数据稀疏问题，能够准确的表示用户的偏好和物品的特征，进而提升推荐方法的性能。

技术领域

本发明涉及大数据技术领域，尤其涉及一种基于知识图谱的协同过滤推荐方法、基于知识图谱的协同过滤推荐系统、计算机可读存储介质以及计算机设备。

背景技术

随着互联网技术的不断发展普及，大数据时代到来，网络上每时每刻都有大量可供选择的信息资源产生。用户可以通过各种各样的渠道获取大量信息，例如文字、图片、音乐、视频等不同类型的数据，从而获得符合自己需求的信息。这些海量的信息为人们带来无限的便利，但却无法从这些大量的信息中快速获取自己想要的信息，使有价值的信息的获取变得十分困难，因此如何解决这种“信息过载”问题成为重中之重，推荐系统的产生使这种问题得到缓解。用户通常采用搜索引擎来获取想要的信息，然而这种方式只能在用户目标和需求精确的条件下才能取得较好的效果。而推荐系统可以通过分析用户的历史行为，挖掘用户的兴趣偏好，使用户发现自己的隐性需求从而有效的进行信息过滤，提供了个性化推荐。

多数推荐系统仅针对单一领域，根据用户在该领域的历史信息，计算用户偏好从而提供推荐服务。而广泛应用于单一领域的协同过滤方法十分简单有效，协同过滤方法通过发掘用户对项目的偏好以及项目的特征，从而为用户推荐与其偏好相似的项目或者根据与其偏好相似的用户为其推荐。然而随着数据量的急剧增长，数据稀疏问题逐渐显露，这些问题使得协同过滤方法的推荐性能下降。现有的解决方案只能基于内容感知的推荐和基于知识图谱的推荐，不能很好的解决数据稀疏问题。

因此，如何解决协同过滤中的数据稀疏问题，如何准确的表示用户的偏好和物品的特征是亟需解决的问题。

发明内容

本发明提供一种基于知识图谱的协同过滤推荐方法，解决了协同过滤中的数据稀疏问题，能够准确的表示用户的偏好和物品的特征，进而提升推荐方法的性能。

第一方面，本发明实施例提供一种基于知识图谱的协同过滤推荐方法，该基于知识图谱的协同过滤推荐方法包括：

根据实体交互图和实体对应的知识图谱得到协同知识图谱，实体交互图包括用户和物品，协同知识图谱以三元组的形式进行表示；

将与实体相关的描述信息输入实体描述编码器得到实体描述向量；

利用TransR算法学习将协同知识图谱转化为实体结构向量；

根据协同知识图谱得到实体的自我中心网络向量；

根据实体的自我中心网络向量和实体描述向量更新实体描述向量；

将实体描述向量的激活函数进行递归传播得到最终的实体描述向量；

根据最终的实体描述向量得到用户与物品之间交互的可能性预测。

第二方面，本发明实施例提供一种基于知识图谱的协同过滤推荐系统，该基于知识图谱的协同过滤推荐系统包括：

协同知识图谱构建模块：用于根据实体交互图和实体对应的知识图谱得到协同知识图谱，实体交互图包括用户和物品，协同知识图谱以三元组的形式进行表示；

体描述向量构建模块：用于将与实体相关的描述信息输入实体描述编码器得到实体描述向量；

实体结构向量构建模块：用于利用TransR算法学习协同知识图谱得到实体结构向量；

自我中心网络向量构建模块：用于根据协同知识图谱得到实体的自我中心网络向量；