[发明专利]一种基于知识图谱语义嵌入的旅游景点推荐方法

说明书

本发明属于知识图谱和推荐系统领域，具体涉及一种基于知识图谱语义嵌入的旅游景点推荐方法，该方法包括：获取待推荐的实体数据，根据构建的知识图谱获取实体数据，提取实体的结构特征向量和属性特征向量；采用推荐模型对结构特征向量和属性特征向量进行增强处理，并获取模型的优化参数；根据优化参数、实体数据以及增强后的结构特征向量和属性特征向量计算推荐预测向量；根据推荐预测向量为待推荐的实体进行推荐；本方法在知识图谱的下游任务中使用，将协同过滤中的共现矩阵转换为图模型，让推荐方法保持可解释性的同时，增强了特征的表达效果。

技术领域

本发明属于知识图谱和推荐系统领域，具体涉及一种基于知识图谱语义嵌入的旅游景点推荐方法。

背景技术

推荐系统是近年来数据挖掘和信息检索领域的研究热点，在电子商务、电影、音乐、社交网络、阅读等方面都有很广泛的应用。在实际场景中，推荐系统的训练需要的数据来源于用户的点击、收藏、点赞、关注等行为，这些数据往往会使推荐系统面临数据稀疏性问题、冷启动问题、新物品问题、新用户问题、缺少用户评论问题等。

目前主流推荐方法有：基于内容的推荐、协同过滤推荐、基于关联规则推荐；其中基于内容的推荐能根据用户的兴趣和行为进行推荐，但是要求内容能容易抽取成有意义的特征，要求特征内容有良好的结构性，需要进行特征交互操作，并且用户的偏好必须能够用内容特征形式来表达，不能显式地得到其它用户的判断情况；协同过滤推荐将用户与商品结合形成一个共现矩阵，矩阵中的值表示用户的评分，该方法使推荐系统有较好的可解释性，但由于数据量过大通常会导致共现矩阵很大，进而需要消耗大量的内存，同时共现矩阵会很稀疏，造成计算机资源的浪费；基于关联规则是以关联规则为基础，把已购商品作为规则头，规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性，但是算法的第一步关联规则的发现最为关键且最耗时，是算法的瓶颈，但可以离线进行。

针对以上主流推荐方法中存在数据运算量大，使得需要消耗大量的内存，造成资源浪费，且推荐结果不精确的问题，继续要一种新的推荐方法。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于知识图谱语义嵌入的旅游景点推荐方法，该方法包括：

S1：获取待推荐的实体数据；所述实体数据包括实体的属性、实体与实体之间的关系属性，其中实体包括头实体和尾实体；

S2：构建知识图谱，根据构建的知识图谱获取实体数据，将实体实体数据划分为训练集，将训练集中的实体数据划分为正例数据集和负例数据集；

S3：分别计算正例数据集和负例数据集中的实体的结构特征向量和属性特征向量；

S4：采用注意力机制分别对实体的结构特征向量和属性特征向量进行更新处理；

S5：将更新后的实体结构特征向量和属性特征向量进行拼接，对拼接后的实体向量进行卷积，得到最终实体特征向量；将关系结构特征向量和属性特征向量进行拼接，对拼接后的向量进行线性运算，得到最终关系特征向量；

S6：采用偏差评分函数构建模型的损失函数，将训练集中正例数据集和负例数据集实体特征向量和关系特征向量输入到推荐模型中，并采用随机梯度下降算法对推荐模型进行优化训练，得到优化参数；

S7：将待推荐的实体数据的数据输入到训练好的推荐模型中，得到特征增强的实体特征向量；

S8：将增强的实体特征向量与优化参数进行乘积运算，得到头实体和尾实体的推荐过程向量；

S9：根据待推荐的实体数据获取推荐的关系特征向量，将待推荐的关系特征向量与头实体和尾实体的推荐过程向量进行进行加和，得到推荐预测向量；

S10：根据推荐预测向量和所有尾实体的过程向量对待推荐的实体进行风景推荐。