[发明专利]一种双曲空间下知识增强的多任务推荐方法在审
申请号: | 202310218801.4 | 申请日: | 2023-03-07 |
公开(公告)号: | CN116204719A | 公开(公告)日: | 2023-06-02 |
发明(设计)人: | 张宜浩;朱俊霖 | 申请(专利权)人: | 重庆理工大学 |
主分类号: | G06F16/9535 | 分类号: | G06F16/9535;G06F16/36 |
代理公司: | 重庆天成卓越专利代理事务所(普通合伙) 50240 | 代理人: | 王宏松 |
地址: | 400054 *** | 国省代码: | 重庆;50 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 空间 知识 增强 任务 推荐 方法 | ||
本发明提出了一种双曲空间下知识增强的多任务推荐方法,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。本发明方法将用户和物品建模与知识图谱建模作为两个独立但相关的任务,利用双曲空间的延展性和强适应性,捕获实体之间的复杂的非欧式关系,实现用户与物品的高阶交互关系。
技术领域
本发明涉及物品推荐领域,特别是涉及一种双曲空间下知识增强的多任务推荐方法。
背景技术
推荐系统的首要目的就是给用户提供更好的推荐,协同过滤的无疑是推荐领域中应用最为广泛的方法,它根据用户的历史行为信息挖掘出用户的兴趣偏好,从而将符合特征的物品推荐给用户。可是基于协同过滤的推荐算法往往会出现长尾问题和冷启动问题,比如用户第一次使用推荐系统时,因为缺乏用户物品历史交互信息,从而无法给出符合用户特征的推荐。基于知识图谱(KGs)的推荐方法可以有效地解决协同过滤的局限性。研究者们利用知识图谱作为辅助信息进行推荐的方法能够有效缓解这些问题。因此,兴起了研究者们的研究热潮。
虽然将KGs作为辅助信息来进行推荐的方法已经得到了广泛的应用与研究,但是大多数基于KGs的推荐方法只是单纯地利用辅助信息进行编码,缺少了与实体之间的高阶交互性,并没有挖掘出用户与物品之间的潜在联系。多任务学习是比较常用的解决方式,它强调知识图谱建模辅助推荐,与此同时,推荐系统训练用户和物品的特征并将带有特征的项与知识图谱结合训练,从而得到拥有共同特征的嵌入实体。在多种基于多任务学习的推荐算法中,MKR模型以解决数据稀疏性的问题出发,设计出了一种深度的端到端的框架,加强学习物品与实体间的高阶交互能力。但是它只强调多任务学习对辅助任务的优化作用,由于没有对协调优化推荐和图神经网络建模进行改进,导致算法复杂达到指数级形式,其优化性能还有待提高。
随着技术地不断深入,基于多任务学习的推荐算法需要进行改进。一方面,欧式空间虽然为我们提供了观察模型的视觉上的友好,但是许多复杂数据类型往往会高出欧氏空间的几何表示。比如CFKG模型,构建了用户-物品KG,以用户历史行为信息进行推荐,但它在很大程度上只是单纯地将知识图谱看作一条条完整的信息链,或说是只是简单地将原始数据嵌入到KG里,可是非欧式空间的数据并不能被完全利用,进而无法捕获推荐域中通常存在的高阶关系。另一方面,基于图注意力网络(GAT)的算法集中于显示用户与物品之间的交互关系,但对于预训练实体嵌入的方法非常耗时。因此,我们认为,由于嵌入的空间不具备观察非欧式空间的数据属性,进而将没有观察到的数据归结为噪声会造成失真效应;同样重要的是模型训练时也要考虑时间成本和实用性。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种双曲空间下知识增强的多任务推荐方法。
为了实现本发明的上述目的,本发明提供了一种双曲空间下知识增强的多任务推荐方法,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(物品实体为所有三元组的尾实体组成的集合),从而使得推荐系统能够捕获用户对于物品最真实的偏好。
进一步地,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;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于重庆理工大学,未经重庆理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202310218801.4/2.html,转载请声明来源钻瓜专利网。