[发明专利]一种基于自监督学习和知识图谱的推荐系统及其推荐方法

权利要求书

1.一种基于自监督学习和知识图谱的推荐方法，其特征在于包括以下步骤：

步骤(1)：构建知识图谱；

步骤1.1：获取用户行为数据；所述用户行为数据包括用户、物品、用户固有属性特征和物品固有属性特征；

步骤1.2：将用户行为数据中用户、物品、用户固有属性特征和物品固有属性特征作为实体，并提炼上述实体关系，最终得到实体-关系-实体的三元组知识图谱；

所述实体关系包括用户与用户间的关系、用户与物品间的交互关系、物品与物品间的关系、用户与用户固有属性特征之间的关系、物品与物品固有属性特征之间的关系；

步骤(2)：通过自监督学习模块对原知识图谱进行数据增强，具体包括以下步骤：

步骤2.1：对步骤(1)知识图谱通过部分采样方式分别获取头实体-关系二元集合H_(h,r)和尾实体-关系二元集合T_(t，r)；

步骤2.2：对头实体-关系二元集合H_(h,r)采用均匀随机采样获得头实体h；根据知识图谱中实体关系，通过拼接头实体h与集合T_(t，r)中的尾实体构造出头实体-关系-尾实体的新三元组(h,r,t)；然后判断新三元组的成立可能性p(h|(t,r))是否高于阈值threshold₁，若是则更新到新知识图谱，若否则删除当前新三元组；

所述新三元组的成立可能性p(h|(t,r))的计算具体如下：

f(h,r,t)＝||h+r-t||₁         (2)

其中exp表示指数函数，f(h,r,t)表示新三元组(h,r,t)的评分函数，r表示实体关系，t表示尾实体；

步骤2.3：重复步骤2.1至2.2，直至新三元组的个数达到q个，q≥1；

步骤2.4：通过相对相似性损失函数loss_SM进一步衡量新三元组间的相似性程度；

相对相似性损失函数具体公式如下：

loss_SM＝αloss_rsm+βloss_rd+γloss_rct             (3)

其中α、β、γ都是用于控制分量权重的超参数；

所述loss_rsm为相对相似性度量，表示实体间的整体相似性程度，具体公式如下：

其中，t⁺表示新三元组中为正样本的尾实体，t^-表示新三元组中为负样本的尾实体，所述正样本为成立可能性高于阈值threshold₂的三元组，所述负样本为成立可能性低于阈值threshold₂的三元组，threshold₂threshold₁；和分别表示头实体h和尾实体t⁺、尾实体t^-对应的关系，σ(·)定义如下：

其中，g(·)表示softmax函数；α(·)表示一个非线性激活函数；

所述loss_rd为相对距离，表示两个实体特征间各个维度的差异之和，具体公式如下：

其中KLD(h||M_h,t)表示头实体h和M_h,t的相对熵，KLD(t||M_h,t)表示尾实体t和M_h,t的相对熵，M_h,t表示头实体h和尾实体t的平均值，K表示维度数量；

所述loss_rct为相对约束项，用于限制模型的复杂度，防止模型过拟合，具体公式如下：

其中τ表示控制相对约束项的超参数；

步骤2.5：通过最优化相对相似性损失函数值，得到新三元组中各实体的最佳特征，通过公式(1)重新计算各新三元组的成立可能性，然后将成立可能性低于阈值的新三元组删除，将新三元组与原知识图谱进行合并得到经过数据增强的知识图谱D；

步骤(3)：通过基于知识图谱的图神经网络模块学习实体的最佳特征表示，具体包括以下步骤：

步驟3.1：在知识图谱D上进行特征提取，得到头实体h、尾实体t在关系r的关系空间内的相似性评分f₂(h,r,t)；

步骤3.2：构建一个基于知识图谱的图注意力网络层，该层包括C个注意力通道，每个注意力通道中包含M个注意力机制；将图注意力网络层中节点的特征赋值给知识图谱D中对应的头实体h、尾实体t；

步骤(4)：通过动态评分模块动态调节三元组(h,r,t)的评分，依据评分获取最终推荐结果。