[发明专利]一种基于知识图谱提取倾向性的群组推荐方法

权利要求书

1.一种基于知识图谱提取用户选择倾向性的群组推荐方法，其特征在于利用物品知识谱图和个人知识谱图来提取用户-项交互背后的用户选择倾向性，实现用户实体群组推荐，具体包括以下步骤：

步骤1：图谱获取与构建与数据集的划分

采集物品和用户的知识图谱，为用户群组推荐系统数据集中物品及其属性、以及用户及其属性寻找对应实体，得到初始图谱，对于群组和物品之间的交互数据集，随机选择每个群组的80％的交互历史来构成训练集；

步骤2：交互嵌入表示的构建

将用户与物品、用户与用户的交互矩阵分别转化的各自的拉普拉斯矩阵用作交互表示；使用300维的向量表示用户u的0阶表示物品i的0阶表示及属性v的0阶表示令C_{u_i}＝{(u,i)|u∈U,i∈I}为用户与物品的交互图，A_C和D_C为C_{u_i}的邻接矩阵和度矩阵，为交互图转化成用户-物品的拉普拉斯矩阵L_ui，作为用户-物品交互的嵌入表示，所述用户-物品的拉普拉斯矩阵L_ui由下述(a)式计算：

同理，将用户与用户的交互图C_{u_i}＝{(u,i)|u∈U,i∈I}转化成用户-用户的拉普拉斯矩阵作为用户-用户交互的嵌入表示；

步骤3：物品特点倾向性和用户特点倾向性的构建

利用关系到倾向性的重要程度矩阵，构建群组用户的物品特点倾向性和用户特点倾向性，使得每个倾向性都能表示两个关系的组合；使用知识图谱中关系属性边，生成用户的物品特点倾向性表示和用户特点倾向性表示的分布向量,所述用户特点倾向性表示由下述(b)式计算：

式中：为用户特点倾向性关于用户的分布向量,num_f是群组存在的用户特点倾向性的组合数量，每种倾向性用d维的向量表示；为下述(c)式计算的用户特点关于用户属性关系的分布向量

式中：α(r_u,L_u)为下述(d)式计算的权重：

其中，exp为指数函数；为每个用户特点倾向性对于不同关系组合的重要程度；

步骤4：物品知识图谱-物品特点表示和个人知识图谱-个人特点表示的生成

将物品知识图谱和个人知识图谱中的属性与关系进行聚合，分别形成每个物品的特点聚合以及每个用户个人的特点聚合，所述属性与关系进行聚合是将用户连接的关系-属性对聚合，即在个人知识图谱中通过关系r_u连接的属性t_u为G_u＝{(r_u,t_u)|(u,r_u,t_u)∈Graph}，然后将关系进行聚合生成下述(e)式用户u的个人特点一阶表示

式中：为关系r_u的表示；为用户属性t_u的0阶表示，将属性t_u通过关系边r_u’与其他属性t_u’相连，即有通过上述类似的方法，得到属性t_u的一阶表示所述属性t_u的一阶表示由下述(f)式计算：

同理，可得到t_u的2,3，...，k阶表示，同时利用关系边迭代生成下述(g)式用户个人特点的k阶表示

步骤5：用户表示和物品表示生成

令R_{user_i}＝{(L_i,i)|(user,i)∈C_{user_i}}表示用户user交互为一阶的物品，且由物品特点倾向性进行连接；R_{user_u}表示用户user交互为一阶的用户，且由用户特点倾向性进行连接；所述用户user的一阶表示则由下述(h)式计算：

其中，P(user⁰,i⁰)和P(user⁰,u⁰)分别为下述(i)～(j)式计算表示用户对物品特点的选择倾向和用户对其他用户个人特点的选择倾向：

式中，β(user⁰,L_i)为物品特点注意力评分，用来区分不同物品特点倾向性的重要性；

β(user⁰,L_u)为个人特点注意力评分，用来区分不同个人特点倾向性的重要性，其计算由下述(k)～(l)式：

同理，利用上述的方法可以得到下述(m)式用户user的k阶表示

将用户user的k阶表示相加，得到用户表示E_user，即由下述(n)式表示为：

将用户user的k阶物品特点相加，得到物品表示E_i，即由下述(o)式表示为：

步骤6：群组聚合生成及分数预测

通过softmax将群组中的不同用户的重要程度进行区分，聚合得到下述(p)式的群组表示E_g：

E_g＝∑_u∈gδ(u,g)u (p)；

其中，表示用户u在群组中的重要程度；

通过群组表示E_g由下述(q)式获取群组对物品的预测分数

步骤7：损失优化和推荐生成

训练集通过步骤2至步骤6训练，采用BPR损失函数进行参数优化，得到群组推荐模型，使用群组推荐模型对测试集进行计算，将预测分数最高的top-k对群组进行推荐，所述损失函数由下述(r)式表示为：

其中，为群组推荐模型的超参数；λ是控制L2正则化项的超参数；L_BPR为下述(s)式表示的BRP损失：

其中，σ为sigmoid函数。