[发明专利]一种双曲空间下知识增强的多任务推荐方法

权利要求书

1.一种双曲空间下知识增强的多任务推荐方法，其特征在于，包括以下步骤：

S1，将实体映射到双曲空间中，充分捕获实体的非欧特征，得到用户嵌入和物品嵌入；

S2，将知识图谱中的三元组信息进行训练，得到基于对象实体的知识感知表示；

S3，将所述物品嵌入和知识增强训练的实体向量进行联合交替训练，所述知识增强训练的实体向量包括多个知识感知表示，使得实体之间能够共享特征信息，并且训练按照得到的用户信息为用户的具体偏好继续训练，得到满足用户偏好的物品实体。

2.根据权利要求1所述的一种双曲空间下知识增强的多任务推荐方法，其特征在于，S1包括以下步骤：

S1-1，在欧氏空间中取得最原始的用户和物品表示；

S1-2，使用洛伦兹表示法表示用户和物品的嵌入：

首先我们固定原点o，o为双曲空间中任意一点；将原点o作为参考点，在原点o的切线空间τ_oH^d上进行高斯分布采样，得到了用户和物品在切线空间上的初始化嵌入：

θ′_u,θ′_i～N(0,σI_d×d)    (1)

其中θ′_u表示用户在切线空间上的初始化嵌入；

θ′_i表示物品在切线空间上的初始化嵌入；

θ′_u,θ′_i～N(0,σI_d×d)表示θ′_u,θ′_i服从于正态分布，期望为0，方差为σI_d×d；

σ表示标准差；

I_d×d表示物品集合；

然后将得到的初始化特征矩阵进行适应性阔列：θ″_u＝[0；θ′_u]；θ″_i＝[0；θ′_i]，得到嵌入矩阵θ″_u,θ″_i∈τ_oH^d，[；]表示连接操作；

再将嵌入矩阵θ″_u,θ″_i通过指数映射操作映射到双曲空间中，指数映射操作如下：

其中k超参数为超参数，k＝-1/c，c表示曲率；

由此，得到了用户和物品在双曲空间H^d中的高阶特征嵌入：

θ_u＝exp_o(θ″_u)；θ_i＝exp_o(θ″_i)                   (3)

其中θ_u表示用户在双曲空间H^d中的高阶特征嵌入；

θ_i表示物品在双曲空间H^d中的高阶特征嵌入；

θ″_u表示用户的嵌入矩阵；

θ″_u表示物品的嵌入矩阵；

最后在双曲空间中将所有用户所对应的特征物品进行对数映射，得到用户-物品特征嵌入：

e_u＝log_o(θ_u)

e_i＝log_o(θ_i)                       (5)

其中，arcosh()表示反双曲函数；

·,·表示内积；

·,·_L表示洛伦兹内积；

x为切线空间上任意一点；

k表示负曲率常数；

|| ||_L表示L范数；

e_u表示用户特征嵌入；

e_i表示物品特征嵌入；

log_o()表示以点o进行对数运算，将双曲空间中的embedding映射到欧式空间；

O是经过映射之后的原点。