[发明专利]一种基于知识图谱的新闻推荐方法

说明书

本发明涉及推荐系统的新闻推荐领域，尤其是一种基于知识图谱的新闻推荐方法。1)根据新闻标题中的单词，找到其中所包含的知识实体，具体是通过实体链接技术和实体消歧技术找到新闻标题中包含的知识实体；2)使用词嵌入技术将新闻标题的单词序列转化为一组嵌入向量集，接着使用卷积神经网络提取标题的局部信息，然后使用一个基于新闻类别的注意力网络得到新闻标题的单词层面的表示；3)使用实体嵌入技术将新闻标题中包含的知识实体转化为实体向量，接着根据知识图谱的结构，使用消息传递机制，找到标题中包含的实体的邻居，最后使用消息聚合机制，将实体邻居的消息聚合起来，形成最后的新闻标题的知识层面的表示；4)根据第二步获得的单词层面的表示和第三步获得的知识层面的表示，获取新闻的最终表示；5)根据用户的历史点击新闻纪录和候选新闻，逐个计算历史新闻与候选新闻的相关性，以此获取不同历史新闻的权重，然后通过加权来获取用户表示；6)根据第四步计算的新闻表示和第五步计算的用户表示，通过内积操作来预测用户点击候选新闻的概率。

技术领域

本发明涉推荐系统的新闻推荐领域，尤其是一种基于知识图谱的新闻推荐技术。

背景技术

新闻推荐系统的目的是处理海量的新闻，为用户提供个性化的推荐。新闻推荐中的一个主要问题是获取精确的新闻表示和用户表示，以此来评估待推荐项目的有效性。在新闻推荐领域中，许多的新闻都具有高度的时间敏感性，大约90％的文章只会在发布后的两天内被人点击，然后被更新的新闻所取代。因此，为了克服传统的协同过滤方法具有的冷启动的局限性，有必要彻底的利用新闻的内部潜在信息，以获取新闻的精确表示。在通常情况下，新闻标题和内容由不同类型的知名实体填充，例如政客、名人和事件，有效的利用这种具有丰富语义的实体可以提高推荐的效率。然而，现有的大多数新闻推荐系统忽视了利用实体的外部知识和新闻之间的主题相关性。针对上述问题，本章提出一种利用知识图谱来增强新闻推荐系统性能的方法。

发明内容

针对上述现有技术的不足，本发明提供一种基于知识图谱的新闻推荐方法。其目的在于解决以往方法中存在的新闻建模不充分及推荐准确率低的问题。

为了实现上述目的，本发明提供了一种基于知识图谱的新闻推荐方法，包括以下步骤：

A1、实体识别

A2、单词层面新闻建模

A3、知识层面新闻建模

A4、获取新闻表示

A5、获取用户表示

A6、预测输出

本发明提供了一种基于知识图谱的新闻推荐方法。与现有技术相比，具备以下有益效果：

利用新闻标题中富含知识实体的特性，将知识图谱作为一种辅助信息引入进来，同时利用知识图谱富含关系的特性，使用相邻知识实体来丰富标题中实体的表示，并使用注意力机制来区分标题中重要的实体和其重要的邻居，接着使用消息传递机制和消息聚合机制来收集相邻实体的信息，以此来学习新闻标题的知识层面的表示。通过与原有的单词层面的表示相结合，将这两部分的结果融合到一起得到最终的新闻表示。。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是基于知识图谱的新闻推荐方法的整体框架图。

图2是基于新闻类别的注意力机制示意图。

具体实施方式