[发明专利]一种基于知识图谱的物品推荐方法

权利要求书

1.一种基于知识图谱的物品推荐方法，其特征在于：包括如下步骤：

基于知识图谱建立物品推荐预测模型；

获取若干推荐物品和目标用户的用户数据；

将所有推荐物品和目标用户的用户数据输入物品推荐预测模型进行预测，得到所有推荐物品的物品推荐预测结果；

根据物品推荐预测结果对所有推荐物品进行排序和筛选，得到物品推荐清单。

2.根据权利要求1所述的基于知识图谱的物品推荐方法，其特征在于：所述的基于知识图谱建立物品推荐预测模型，包括如下步骤：

获取推荐物品训练数据集和对应的用户数据训练数据集；

基于知识图谱和神经网络建立初始的物品推荐预测模型；

将推荐物品训练数据集和对应的用户数据训练数据集输入初始的物品推荐预测模型进行训练，得到最优的物品推荐预测模型。

3.根据权利要求2所述的基于知识图谱的物品推荐方法，其特征在于：所述的物品推荐预测模型包括用户交互学习模块、图卷积网络模块、RippleNet网络模块以及全连接网络模块。

4.根据权利要求3所述的基于知识图谱的物品推荐方法，其特征在于：所述的用户数据包括目标用户的原始的用户历史兴趣和原始的用户特征数据。

5.根据权利要求4所述的基于知识图谱的物品推荐方法，其特征在于：所述的将所有推荐物品和目标用户的用户数据输入物品推荐预测模型进行预测，包括如下步骤：

将目标用户的原始的用户历史兴趣和原始的用户特征数据输入用户交互学习模块，得到提取后的用户历史兴趣和多信息交互的用户特征；

将提取后的用户历史兴趣和当前推荐物品输入图卷积网络模块，得到物品表示增强的向量；

将物品表示增强的向量输入RippleNet网络模块，得到用户的兴趣表示和迭代后物品的知识表示；

将提取后的用户历史兴趣、多信息交互的用户特征以及用户的兴趣表示输入全连接网络模块，得到最终的用户嵌入；

将物品表示增强的向量和迭代后物品的知识表示输入全连接网络模块，得到最终的物品嵌入；

根据最终的用户嵌入和最终的物品嵌入得到目标用户对当前推荐物品的点击概率，即当前推荐物品的物品推荐预测结果；

重复上述预测步骤，直至得到所有推荐物品的物品推荐预测结果。

6.根据权利要求5所述的基于知识图谱的物品推荐方法，其特征在于：所述的用户交互学习模块包括交叉压缩子模块、自适应参数化修正线性子模块、变化层以及文本分类模型。

7.根据权利要求6所述的基于知识图谱的物品推荐方法，其特征在于：所述的根据物品推荐预测结果对所有推荐物品进行排序和筛选，包括如下步骤：

根据目标用户对推荐物品的点击概率将所有推荐物品进行降序排序；

将低于预设点击概率阈值的推荐物品进行剔除，得到物品推荐清单。