CN108920527A - 一种基于知识图谱的个性化推荐方法 - Google Patents

Abstract

本发明公开一种基于知识图谱的个性化推荐方法，利用知识图谱中概念实体间的链接关系度量出任意节点间的语义关联，并结合一种网络表示学习方法得到网络结构中节点的表示向量，通过对节点相似度的计算来实现用户与推荐项目之间的精准推荐。本发明基于知识图谱特征学习的项目推荐，用以高效地挖掘知识图谱中实体特征，从而更好地建模用户和推荐对象特征，充分利用多维度特征。

Description

一种基于知识图谱的个性化推荐方法

技术领域

本发明涉及知识图谱及机器学习技术领域，具体涉及一种基于知识图谱的个性化推荐方法。

背景技术

随着互联网相关技术高速发展，广泛的数据分享带来的是数据的指数级增长。然而用户在海量的数据中想要找到他们需要的信息却变得越来越难。因此对用户而言，他们需要更加符合个人偏好的结果。由此，多种因素共同推动了个性化推荐技术的研究进程。

在传统的个性化推荐研究中，多数工作根据用户历史数据基于规则推荐，预测新用户兴趣。其中，推荐算法可分为以下几类：基于内容的推荐、基于关联规则的推荐，基于协同过滤的推荐。传统推荐算法需要进行繁多的计算量，通过获取精准的用户行为特征来实现个性化推荐。在实际应用中，这类推荐算法存在推荐精度不高、用户满意度低等问题。

发明内容

本发明针对现有个性化推荐方法所存在的较少使用用户和推荐对象特征，以及推荐使用的特征维度较少的的问题，提供一种基于知识图谱的个性化推荐方法。

为解决上述问题，本发明是通过以下技术方案实现的：

一种基于知识图谱的个性化推荐方法，具体包括步骤如下：

步骤1、从现有知识库中获取用户、推荐项目、推荐项目的相关属性、以及用户对推荐项目的喜爱程度，由此建立一个推荐项目知识图谱；

步骤2、对构建的推荐项目知识图谱，根据推荐项目的属性类别进行相应的属性子图抽取，得到每一种属性下的推荐项目知识图谱的属性子图；

步骤3、通过带偏置的随机游走策略在推荐项目知识图谱的每个属性子图中进行游走，生成一系列游走路径中的节点序列；

步骤4、将游走路径中的节点序列作为基于神经网络语言模型的输入，通过最大化目标函数，达到训练目标，得到推荐项目在每种属性下的向量表示和用户向量；

步骤5、分别将推荐项目在每种属性下的向量表示和用户向量进行融合，得到最终推荐项目向量和最终用户向量；

步骤6、对最终推荐项目向量和最终用户向量的余弦相似度进行计算，得到推荐项目和用户的相关性向量，并据此计算用户对推荐项目的预测评分，进而对预测评分进行排序即可得到每个用户的推荐列表。

在步骤1所建立的推荐项目知识图谱中，用户和推荐项目作为其概念实体节点，推荐项目的相关属性作为其描述推荐项目的特征标签节点，用户对推荐项目的喜爱程度作为其用户节点体现的语义信息。

上述步骤5中，最终推荐项目向量v(attract)为：

其中，为推荐项目在第i种属性下的向量表示，m为属性的类数。

上述步骤5中，最终用户向量v(user)为：

v(user)＝v_u

其中，v_u表示用户的特征向量。

上述步骤6中，用户和推荐项目的相关性得分向量为：

Rel(attract,user)＝sim(v(attract),v(user))

其中，sim为余弦相似度，v(attract)表示最终推荐项目向量中，v(user)表示最终用户向量。

上述根据权利要求1所述的一种基于知识图谱的个性化推荐方法，其特征是，步骤6中，用户对推荐项目的预测评分Pre(attract,user)向量为：

其中，θ为预定的评分上限值，Pre(attract,user)表示推荐项目和用户的相关性得分向量，Max(Rel((attract,user))表示所有推荐项目和用户的相关性得分的最大值，Min(Rel(attract,user))表示推荐项目和用户的相关性得分的最小值。

与现有技术相比，本发明利用知识图谱中概念实体间的链接关系度量出任意节点间的语义关联，并结合一种网络表示学习方法得到网络结构中节点的表示向量，通过对节点相似度的计算来实现用户与推荐项目之间的精准推荐。本发明基于知识图谱特征学习的项目推荐，用以高效地挖掘知识图谱中实体特征，从而更好地建模用户和推荐对象特征，充分利用多维度特征。

附图说明

图1为一种基于知识图谱的个性化推荐方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下以推荐项目为餐馆为具体实例，并参照附图，对本发明进一步详细说明。

参见图1，一种基于知识图谱的个性化推荐方法，其具体包括步骤如下：

步骤1、从现有知识库中获取用户、餐馆、餐馆的相关属性和用户对餐馆的喜爱程度，由此建立一个美食领域餐馆知识图谱。

所谓知识图谱是一个有许多点和边组成的网络图结构，其中用户与餐馆、餐馆与属性之间的相关关系映射成网络边，图谱中的边代表相连的两个节点之间存在联系。知识图谱是基于图的数据结构，基于三元组是知识图谱的一种通用表示方式，三元组的基本形式主要包括(实体1-关系-实体2)和(实体-属性-属性值)等。

现有知识库包括大众点评网、美团网等美食垂直网站。将从这些网站上抓取下来的餐馆和用户作为美食领域餐馆知识图谱中的概念实体节点，餐馆相关属性与用户对餐馆的喜爱程度分别作为美食领域餐馆知识图谱中描述餐馆的特征标签节点与用户节点体现的语义信息。

步骤2、对构建的美食领域的餐馆知识图谱根据餐馆的属性类别进行相应的属性子图抽取。

根据餐馆的属性类别对餐馆知识图谱做子图抽取，即分别抽取每种属性下所有餐馆相关三元组，即可得到每一种属性下的餐馆知识图谱子图，从而餐馆的属性特征将分别体现在每一种属性子图中。

步骤3、通过带偏置的随机游走策略在餐馆知识图谱中每个属性子图中进行游走，生成一系列游走路径中的节点序列，以生成的序列集合为训练集来学习网络图中节点的特征。

步骤31、针对抽取到的每个子图通过带偏置的随机游走策略生成一系列节点序列。

对于一个给定的源节点u，模拟一个固定长度L的随机游走，u_j表示游走过程中第j个节点，初始节点u₀＝u。节点u_j由以下的概率分布生成：

其中，D表示知识图谱中边的集合，π_vx是节点v和x之间的转移概率，Z是一个正则化参数。

随机游走遍历了边(t，v)，并停留在节点v。通过计算边(v，x)上的转移概率π_vx来判断序列中的下一个节点。计算公式如下：

π_vx＝α_pq(t,x)*w_vx

其中，w_vx是边上的权重(没有权重时默认为1)，α_pq表示节点之间的边上的偏执。计算如下：

其中，d_tx属于(0，1，2)表示节点t和x之间的最小跳数。d_tx＝0表示x就是t本身，d_tx＝1表示x为x1或者x3，d_tx＝2表示x为x2，p和q是两个监督随机游走的参数。

步骤32、将节点序列作为基于神经网络语言模型中的word2vec模型的输入，通过最大化目标函数，达到训练目标，得到餐馆在每种属性下的向量表示和用户向量。

目标函数为：

其中E表示知识图谱中的节点集合，T^u表示从节点u开始生成的节点序列集合，N_t是每一个序列t的长度，N表示当前序列中节点的个数，表示一个特征向量，由目标节点u_j的上下文(即前后文信息)节点组成。的每一维都表示特定的上下文节点。简单的来说，假设是一个非负的向量，其中每一项都表示相应上下文中一个节点的出现次数。在形式上，我们用一个d维向量为序列中每一个节点建模。定义第u个上下文节点特征为一个d维向量v_u∈R^d。

步骤33、融合各种属性下语义的餐馆向量与用户向量，

v(user)＝v_u

其中，v(attract)表示包含各个属性语义的餐馆特征向量，m表示知识图谱中的餐馆属性的个数，表示在第i种属性下的餐馆特征向量，v(user)表示用户的特征向量。

步骤4、通过对用户向量与餐馆向量的余弦相似度计算得到餐馆和用户的相关性，并据此计算用户对餐馆的预测评分。

步骤41、计算餐馆和用户的相关性为：

Rel(attract,user)＝sim(v(attract),v(user))

其中，sim为余弦相似度。

步骤42、分别找出餐馆与用户之间相关性的最大Max(Rel(attract,user))与最小Min(Rel(attract,user))的值，通过以下公式将相关性规约到1至5之间，并向上取整得到用户对餐馆的预测评分：

其中，Max()表示取所有相关性值中最大值函数，Min()表示取所有相关性值中最小值函数。

步骤43、将某一用户对各个餐馆的预测评分进行由高到低的排序，得到该用户的推荐列表。这样通过将推荐列表中的排列在前的餐馆推荐给用户，即可完成个性化推荐。

本实施例主要是通过对美食领域餐馆进行知识图谱构建，利用知识图谱可以得到更加完善的餐馆画像与用户画像，融合多维度特征语义，准确把握餐馆特征和用户偏好的匹配度从而准确地为用户提供个性化的餐馆推荐。

需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。

Claims (6)

1.一种基于知识图谱的个性化推荐方法，其特征是，具体包括步骤如下：

步骤1、从现有知识库中获取用户、推荐项目、推荐项目的相关属性、以及用户对推荐项目的喜爱程度，由此建立一个推荐项目知识图谱；

步骤2、对构建的推荐项目知识图谱，根据推荐项目的属性类别进行相应的属性子图抽取，得到每一种属性下的推荐项目知识图谱的属性子图；

步骤3、通过带偏置的随机游走策略在推荐项目知识图谱的每个属性子图中进行游走，生成一系列游走路径中的节点序列；

步骤4、将游走路径中的节点序列作为基于神经网络语言模型的输入，通过最大化目标函数，达到训练目标，得到推荐项目在每种属性下的向量表示和用户向量；

步骤5、分别将推荐项目在每种属性下的向量表示和用户向量进行融合，得到最终推荐项目向量和最终用户向量；

步骤6、对最终推荐项目向量和最终用户向量的余弦相似度进行计算，得到推荐项目和用户的相关性向量，并据此计算用户对推荐项目的预测评分，进而对预测评分进行排序即可得到每个用户的推荐列表。

2.根据权利要求1所述的一种基于知识图谱的个性化推荐方法，其特征是，在步骤1所建立的推荐项目知识图谱中，用户和推荐项目作为其概念实体节点，推荐项目的相关属性作为其描述推荐项目的特征标签节点，用户对推荐项目的喜爱程度作为其用户节点体现的语义信息。

3.根据权利要求1所述的一种基于知识图谱的个性化推荐方法，其特征是，步骤5中，最终推荐项目向量v(attract)为：

其中，为推荐项目在第i种属性下的向量表示，m为属性的类数。

4.根据权利要求1所述的一种基于知识图谱的个性化推荐方法，其特征是，步骤5中，最终用户向量v(user)为：

v(user)＝v_u

其中，v_u表示用户的特征向量。

5.根据权利要求1所述的一种基于知识图谱的个性化推荐方法，其特征是，步骤6中，用户和推荐项目的相关性得分向量为：

Rel(attract,user)＝sim(v(attract),v(user))

其中，sim为余弦相似度，v(attract)表示最终推荐项目向量中，v(user)表示最终用户向量。

6.根据权利要求1所述的一种基于知识图谱的个性化推荐方法，其特征是，步骤6中，用户对推荐项目的预测评分Pre(attract,user)向量为：

其中，θ为预定的评分上限值，Pre(attract,user)表示推荐项目和用户的相关性得分向量，Max(Rel((attract,user))表示所有推荐项目和用户的相关性得分的最大值，Min(Rel(attract,user))表示推荐项目和用户的相关性得分的最小值。