[发明专利]一种基于知识图谱和图神经网络的跨域推荐方法

说明书

本发明公开了一种基于知识图谱和图神经网络的跨域推荐方法，其特征在于：包括以下步骤：S1：规范化初始参数；S2：为用户和项目分配域内嵌入；S3：计算用户和项目的域间初始嵌入；S4：基于跨域图计算图上传播的信息嵌入；S5：基于跨域图计算图上聚合的信息嵌入；S6：计算用户和项目的最终域间嵌入；S7：计算用户和项目间匹配值并进行推荐。本发明能够融合多域信息进行跨域图建模，并从图的语义信息和结构信息层面进行特征学习，通过学习用户和项目的域内嵌入与域间嵌入并进行匹配值计算，最后使用贝叶斯成对排序来对用户进行项目推荐。本发明可应用于多种跨域推荐场景，例如电商推荐等。

技术域

本发明提供一种基于知识图谱和图神经网络的跨域推荐方法，该方法针对传统推荐方法中广泛存在的数据稀疏和冷启动问题，利用知识图谱和图神经网络的复合图信息进行联合引导的方式进行跨域推荐，具有良好的推荐效果。

背景技术

推荐系统作为一种筛选信息的方法，它能够利用用户数据为用户提供可能需要的项目，有效的解决“信息过载”问题，因此在电子商务、广告、电影等多个域中得到广泛使用。知识图谱是一种通用的语义知识的形式化描述框架，基于知识图谱的推荐系统利用现实世界中的实体，并利用知识图谱的三元组结构为推荐项目构建起联系，从而为推荐提供可解释性。基于深度学习的推荐系统，能够利用深度学习模型来学习到更加抽象、稠密的用户和项目的深层次表示，同时使用深层次的神经网络结构建立预测模型，也能够更好地学习到交叉特征，增强推荐模型的表达能力和泛化性能。跨域推荐方法能够利用源域丰富的信息来帮助提高目的域的用户的推荐准确性，通常能缓解数据稀疏和冷启动问题，对于信息茧房问题也有较好的改善。

发明内容

发明目的：对于推荐系统，目前的辅助信息往往具有大规模、数据异构、数据稀疏和分布不均匀等特点，并且目前的推荐方法对辅助信息利用通常限于文本学习阶段，对辅助信息中知识的利用不足，导致推荐结果不够准确。针对上述问题，本文提出了一种基于知识图谱和图神经网络的复合图信息与多域融合的跨域推荐模型，通过联合图的语义信息和结构信息，从而实现多域上的跨域推荐。

为实现上述目的，如图1所述为本发明的基本流程图，该方法包括以下步骤：

S1：规范化初始参数；

S2：为用户和项目分配域内嵌入；

S3：计算用户和项目的域间初始嵌入；

S4：基于跨域图计算图上传播的信息嵌入；

S5：基于跨域图计算图上聚合的信息嵌入；

S6：计算用户和项目的最终域间嵌入；

S7：计算用户和项目间匹配值并进行推荐。

所述步骤S1中的初始参数包括实体嵌入维度d，正则化参数λ，批量梯度下降的样本数m，训练迭代轮数T，图神经网络的注意力层深度D，图神经网络的每层维度d'，图神经网络的参数W。

所述步骤S2中对于每个域，根据用户和项目ID为该域中的用户和项目分配一个域内嵌入，对于域x，该域上用户和项目的域内嵌入表示为E_u(x)和E_i(x)，其中x＝{A,B,...,X}。

所述步骤S3中利用域的项目信息构建域知识图谱，并使用用户、项目和项目间知识图谱共同构建一个图，对于图中实体使用三元组得分来获得该三元组(h,r,t)中实体的域间初始嵌入，计算公式如下

其中，W_r∈R^k×d是关系r的变换矩阵，表示L₂正则化，用于防止过拟合问题；

定义域x的域间知识图谱损失函数计算公式如下