CN112232925A - 一种融合知识图谱对商品进行个性化推荐的方法 - Google Patents

Abstract

本发明是一种融合知识图谱对商品进行个性化推荐的方法。本发明涉及商品进行个性化推荐的机器学习技术领域，包括：获得用户历史行为数据，生成商品知识图；融合用户历史行为数据与商品知识图，构建协同知识图；采用机器学习中表示学习方法，获得协同知识图中节点和关系的向量嵌入表示；将协同知识图中节点和关系的向量嵌入与用户历史行为数据输入基于注意力机制的图卷积神经网络模型中，形成含有邻域信息的新节点和关系的向量嵌入表示；定义得分函数，通过图卷积神经网络模型输出的融合邻域信息的用户、商品向量嵌入表示，计算用户喜欢商品的概率，根据预测结果，排序获得推荐列表。

Description

一种融合知识图谱对商品进行个性化推荐的方法

技术领域

本发明涉及商品进行个性化推荐的机器学习技术领域，是一种融合知识图谱对商品进行个性化推荐的方法。

背景技术

当今时代，随着信息技术与互联网技术的快速发展，网络信息量正呈现指数级别增加的趋势快速增长。面对海量增长的互联网信息，人们越来越难以发现最适合自己，真正有效的信息，对信息的利用率不但没有增长反而有所降低。网络信息服务在线平台也面临着同样的问题，如何在众多信息中向用户推荐用户最感兴趣的内容，已成为服务平台共同面临的挑战。为了解决这些问题，国内外众多专家与学者提出了许多优秀的方案，其中最为代表性的解决方案为搜索引擎与推荐***。搜索引擎技术通过用户输入查询信息，对信息的关键字或特征进行资源匹配，返回用户所需信息，精准满足用户明确的信息需求。推荐***通过使用推荐算法，当用户缺乏明确的需求目标，所查询的内容比较模糊时，在不需要用户提出明确的需求同时分析用户行为特征，捕捉用户潜在兴趣与信息需求，引导用户发现自身相关个性需求。

协同过滤推荐是推荐技术中使用最为广泛的技术，它首先对用户和物品进行向量嵌入，然后通过内积或神经网络等特定的操作对用户与物品之间的特征进行建模。简单高效并适应于多数情景。然而基于协同过滤的推荐方法通常会出现数据稀疏与冷启动等问题，并且仅通过用户与商品有限的特征难以深度、全面挖掘用户偏好，推荐结果单一，准确度较低，不能很好地满足用户个性化需求。

为了缓解以往推荐方法中存在的问题，研究人员通常引入一些额外的信息与知识来提高推荐质量，提升推荐性能。知识图谱是表示来自多个领域大规模信息的实用表示方法，其中包含有丰富的实体知识与实体相互关联信息。将知识图谱引入到推荐***中，通过利用知识图谱中实体与实体之间丰富的语义关联信息挖掘潜在关联，可以提高推荐***的精度。通过知识图谱的额外信息合理拓展用户兴趣，增加推荐***条目的多样性。通过分析用户的历史行为与推荐结果，利用知识将其关联起来，可以更好的捕捉用户兴趣，为用户提供精准，优质的个性化推荐结果。

发明内容

本发明针对以往方法中存在的推荐结果单一，用户商品特征挖掘不充分的问题，本发明充分利用知识图谱的知识信息，本发明提供了以下技术方案：

一种融合知识图谱对商品进行个性化推荐的方法，包括以下步骤：

步骤1：获得用户历史行为数据，根据用户历史行为数据中的商品名称，获取商品实体知识，生成商品知识图；

步骤2：将用户历史行为数据与商品知识图进行构建，得到协同知识图；

步骤3：根据得到的协同知识图，进行学习协同知识图中节点和关系的特征，获取协同知识图中节点和关系的向量嵌入；

步骤4：将协同知识图中节点和关系的向量嵌入与用户历史行为数据，输入基于注意力机制的图卷积神经网络模型中，形成含有邻域信息的新节点和关系的向量嵌入；

步骤5：确定得分函数，通过图卷积神经网络模型输出的融合邻域信息的用户、商品向量嵌入表示，得到用户喜欢商品的概率，进行个性化推荐。

优选的，所步骤1具体为：

步骤1.1：获得用户历史行为数据，对用户历史交互数据进行分析，提取与用户有交互的商品列表信息，通过知识图谱进行实体匹配，查询并下载商品列表中的商品知识信息；

步骤1.2：对知识图谱中商品知识信息进行关键词抽取，获得含有商品实体与关系的关键词；

步骤1.3：根据得到的商品实体与关系的关键词，建立商品三元组：<h,r,t>，其中，h为头节点，r为关系，t为尾节点，根据三元组建立商品知识图。

优选的，所述步骤2具体为：

将步骤1中获得的用户历史行为数据转换为三元组形式，将用户历史行为数据的三元组与商品知识图中的商品三元组进行融合，对三元组中节点与关系使用统一编号，保证每个节点与关系编号唯一；使用新编号描述三元组，获得协同知识图。

优选的，所述步骤3具体为：

步骤3.1：对于协同知识图中的每一个三元组，采用表示学习中距离模型学习图中节点与关系的向量嵌入表示，距离模型中对于三元组中每一个关系，设置投影矩阵M^r，通过下式表示实体节点在关系上的投影h_r和t_r：

h_r＝hM^r,t_r＝tM^r；

步骤3.2：划分距离模型训练所需的正负三元组数据，将协同知识图中的三元组<h,r,t>划分为正三元组，然后在随机选取节点，替换正三元组中的头节点或尾节点，作为负三元组；

步骤3.3：定义距离模型损失函数，根据所划分的正负三元组数据训练模型，输出协同知识图中节点与关系的嵌入向量表示。

优选的，通过下式表示距离模型损失函数下：

其中，max(x,y)是合页损失函数，获得x与y之间的最大值，(h,r,t)∈S表示正三元组集合，由图中节点随机抽取获得；(h′,r′,t′)∈S′表示负三元组集合，γ为超参数，表示样本间距误差；目标函数展现空间最大分隔思想，正三元组得分f_r(h,t)趋近于0，负三元组得分f_r’(h′,t′)趋近于无穷大。

优选的，所述步骤4具体为：

步骤4.1：定义协同知识图中邻域信息传播最大阶数L，对于每一个协同知识图中节点，与节点直接相连的邻居信息称为一阶邻域，与邻居节点相连的称为二阶邻域，以此类推获得L阶邻域；

步骤4.2：对于某一个节点h，获取节点h的L阶邻域节点拓扑信息，以节点h为中心进行L阶结构的信息传播，传播过程中通过图注意力机制获得节点之间的边的权重；

步骤4.3：对于每一个节点，新的节点向量嵌入表示，由自身与一阶邻域节点通过聚合函数聚合生成，聚合生成的新节点向量嵌入的过程受节点之间权重影响，节点h的第L阶邻域节点，通过聚合生成新的包含L阶节点信息的第L-1阶邻域节点，第L-1阶邻域节点通过聚合产生新的L-2阶邻域节点，通过递归方式直至传播至节点h的第一阶邻域，通过聚合生成包含L阶拓扑结构信息的节点h的新向量嵌入表示。

优选的，通过下式表示节点h的一阶邻居的线性组合函数为：

其中，e_t与e_H分别表示t节点与h节点邻域的嵌入，α(h,r,t)为注意力机制函数，代表有多少信息通过关系r从节点t中传播到节点h中，描述实体节点t在关系r中对实体节点h的重要性；

通过下式表示α(h,r,t)函数：

π(h,r,t)＝tanh[(e_hM^r+e_r)W₁][(e_tM^r)W₁]^T

其中，tanh为激活函数，e_h,e_t∈R^d,e_r∈R^k，表示三元组(h,r,t)的节点嵌入表示，由步骤3中距离模型输出获得；M^r∈R^d×k为关系r下的投影矩阵；W₁∈R^k×k为可训练权重矩阵。

优选的，对于每一对用户-商品，在协同知识图中以用户节点u与物品节点v为中心，经过L层传播聚合，生成用户最终嵌入

与物品最终嵌入

通过下式表示得分函数:

其中，得分函数

为内积操作，用来描述用户u与物品v之间的预测相关性分数。

优选的，所述步骤5具体为：

步骤5.1：对于每一组用户和商品，通过基于注意力机制的图卷积神经网络取得融合邻域节点的用户和、商品向量嵌入表示，定义得分函数，通过得分函数计算用户与商品之间的相似度；

步骤5.2：定义损失函数，通过用户历史交互数据更新训练模型参数；

步骤5.3：通过得分函数计算每一对用户与候选商品之间的相似度，将相似度按照降序排列，按照设定推荐数与阈值进行选取，取得商品推荐列表。

优选的，通过下式表示损失函数：

其中，Ο表示样本训练集合，Ο＝{(u,v⁺,v^-)|((u,v⁺)∈V⁺),((u,v^-)∈V^-)}，由样本数据由用户交互数据生成，V⁺表示正样本数据集合，表示用户点击、购买某商品的集合，V^-表示负样本数据集合，表示用户与某商品无交互关系的集合，σ为非线性激活函数Sigmoid，更新训练模型数据。

本发明具有以下有益效果：

本发明通过融合知识图谱，利用知识图谱所提供的额外知识增强语义信息，从多维角度刻画了用户和商品，更好的捕捉用户潜在兴趣，使得推荐结果更为精准。本发明将用户与商品建模为图结构中的节点向量，知识图谱中的知识信息根据图结构动态聚合至用户和商品向量中，不仅可以解决用户商品交互数据稀疏的问题，也可为推荐结果提供一定的可解释性。

本发明提供了一种可端到端训练的模型结构，将用户与商品转换为向量嵌入表示，无需人工提取特征、设定挖掘模式，减少人工成本。

附图说明

图1是融合知识图谱的个性化商品推荐方法流程图；

图2是协同知识图实例。

具体实施方式

以下结合具体实施例，对本发明进行了详细说明。

具体实施例一：

根据图1至图2所示，本发明提供一种融合知识图谱对商品进行个性化推荐的方法，包括以下步骤：

步骤1：获得用户历史行为数据，根据用户历史行为数据中的商品名称，获取商品实体知识，生成商品知识图；

所步骤1具体为：

步骤1.1：获得用户历史行为数据，对用户历史交互数据进行分析，提取与用户有交互的商品列表信息，通过知识图谱进行实体匹配，查询并下载商品列表中的商品知识信息；

步骤1.2：对知识图谱中商品知识信息进行关键词抽取，获得含有商品实体与关系的关键词；

步骤1.3：根据得到的商品实体与关系的关键词，建立商品三元组：<h,r,t>，其中，h为头节点，r为关系，t为尾节点，根据三元组建立商品知识图。

步骤2：将用户历史行为数据与商品知识图进行，构建得到协同知识图；

所述步骤2具体为：

将步骤1中获得的用户历史行为数据转换为三元组形式，将用户历史行为数据的三元组与商品知识图中的商品三元组进行融合，对三元组中节点与关系使用统一编号，保证每个节点与关系编号唯一；使用新编号描述三元组，获得协同知识图。

步骤3：根据得到的协同知识图，进行学习协同知识图中节点和关系的特征，获取协同知识图中节点和关系的向量嵌入；

所述步骤3具体为：

步骤3.1：对于协同知识图中的每一个三元组，采用表示学习中距离模型学习图中节点与关系的向量嵌入表示，距离模型中对于三元组中每一个关系，设置投影矩阵M^r，通过下式表示实体节点在关系上的投影h_r和t_r：

h_r＝hM^r,t_r＝tM^r；

步骤3.2：划分距离模型训练所需的正负三元组数据，将协同知识图中的三元组<h,r,t>划分为正三元组，然后在随机选取节点，替换正三元组中的头节点或尾节点，作为负三元组；

步骤3.3：定义距离模型损失函数，根据所划分的正负三元组数据训练模型，输出协同知识图中节点与关系的嵌入向量表示。

优选的，通过下式表示距离模型损失函数下：

其中，max(x,y)是合页损失函数，获得x与y之间的最大值，(h,r,t)∈S表示正三元组集合，由图中节点随机抽取获得；(h′,r′,t′)∈S′表示负三元组集合，γ为超参数，表示样本间距误差；目标函数展现空间最大分隔思想，正三元组得分f_r(h,t)趋近于0，负三元组得分f_r’(h′,t′)趋近于无穷大。

步骤4：将协同知识图中节点和关系的向量嵌入与用户历史行为数据，输入基于注意力机制的图卷积神经网络模型中，形成含有邻域信息的新节点和关系的向量嵌入；

所述步骤4具体为：

步骤4.1：定义协同知识图中邻域信息传播最大阶数L，对于每一个协同知识图中节点，与节点直接相连的邻居信息称为一阶邻域，与邻居节点相连的称为二阶邻域，以此类推获得L阶邻域；

步骤4.2：对于某一个节点h，获取节点h的L阶邻域节点拓扑信息，以节点h为中心进行L阶结构的信息传播，传播过程中通过图注意力机制获得节点之间的边的权重；

步骤4.3：对于每一个节点，新的节点向量嵌入表示，由自身与一阶邻域节点通过聚合函数聚合生成，聚合生成的新节点向量嵌入的过程受节点之间权重影响，节点h的第L阶邻域节点，通过聚合生成新的包含L阶节点信息的第L-1阶邻域节点，第L-1阶邻域节点通过聚合产生新的L-2阶邻域节点，通过递归方式直至传播至节点h的第一阶邻域，通过聚合生成包含L阶拓扑结构信息的节点h的新向量嵌入表示。

通过下式表示节点h的一阶邻居的线性组合函数为：

其中，e_t与e_H分别表示t节点与h节点邻域的嵌入，α(h,r,t)为注意力机制函数，代表有多少信息通过关系r从节点t中传播到节点h中，描述实体节点t在关系r中对实体节点h的重要性；

通过下式表示α(h,r,t)函数：

π(h,r,t)＝tanh[(e_hM^r+e_r)W₁][(e_tM^r)W₁]^T

其中，tanh为激活函数，e_h,e_t∈R^d,e_r∈R^k，表示三元组(h,r,t)的节点嵌入表示，由步骤3中距离模型输出获得；M^r∈R^d×k为关系r下的投影矩阵；W₁∈R^k×k为可训练权重矩阵。

对于每一对用户-商品，在协同知识图中以用户节点u与物品节点v为中心，经过L层传播聚合，生成用户最终嵌入

与物品最终嵌入

通过下式表示得分函数:

其中，得分函数

为内积操作，用来描述用户u与物品v之间的预测相关性分数。

步骤5：确定得分函数，通过图卷积神经网络模型输出的融合邻域信息的用户、商品向量嵌入表示，得到用户喜欢商品的概率，进行个性化推荐。

所述步骤5具体为：

步骤5.1：对于每一组用户和商品，通过基于注意力机制的图卷积神经网络取得融合邻域节点的用户和、商品向量嵌入表示，定义得分函数，通过得分函数计算用户与商品之间的相似度；

步骤5.2：定义损失函数，通过用户历史交互数据更新训练模型参数；

步骤5.3：通过得分函数计算每一对用户与候选商品之间的相似度，将相似度按照降序排列，按照设定推荐数与阈值进行选取，取得商品推荐列表。

优选的，通过下式表示损失函数：

其中，Ο表示样本训练集合，Ο＝{(u,v⁺,v^-)|((u,v⁺)∈V⁺),((u,v^-)∈V^-)}，由样本数据由用户交互数据生成，V⁺表示正样本数据集合，表示用户点击、购买某商品的集合，V^-表示负样本数据集合，表示用户与某商品无交互关系的集合，σ为非线性激活函数Sigmoid，更新训练模型数据。

具体实施例二：

按照图1所示，本发明提供一种融合知识图谱的个性化商品推荐方法，包括以下步骤：

步骤1：获得用户历史行为数据，根据用户历史行为数据中的商品名称获取相关商品实体知识，生成商品知识图；

步骤1.1：获得用户历史行为数据，对用户历史交互数据进行分析，提取与用户有交互的商品列表信息，通过知识图谱进行实体匹配，查询并下载商品列表中的相关商品知识信息。如获得用户购买电影商品的列表信息：<用户ID，购买商品ID，购买时间>。对用户历史交互数据进行分析，根据用户购买的商品列表信息，通过DBpedia在线知识图谱进行商品实体匹配，在DBpedia网站中查询并下载商品列表中的相关商品知识条目信息。

步骤1.2：对知识图谱中相关商品知识信息进行关键词抽取，获得含有商品与关系的关键词。如对DBpedia知识图谱中相关商品知识信息进行关键词抽取，对于每一个知识条目，提取的关键词为：src(源)，relation(关系)，dest(目标)。

步骤1.3：根据提取的商品实体与关系，建立商品三元组<h,r,t>(<头节点，关系，尾节点>)。根据三元组建立商品知识图。例如建立的实体与关系三元组为：<衬衣，属于，衣服>或<口红，色号，玫瑰红>。

步骤2：融合用户历史行为数据与商品知识图，构建协同知识图；

步骤2.1：将用户历史行为数据转换为三元组形式<h,r,t>。将用户的购买、点击等操作定义为关系：<Interact>，如用户a点击了商品b，则生成的三元组为<a，Interact，b>。

步骤2.2：将用户历史行为数据三元组与商品知识图中的商品三元组融合，对三元组中节点与关系使用统一编号，保证每个节点与关系编号唯一。

步骤2.3：使用新编号描述三元组，获得协同知识图。

步骤3：采用机器学习中表示学习方法，学习协同知识图中节点和关系的特征，获得协同知识图中节点和关系的向量嵌入表示；

步骤3.1：对于协同知识图中的每一个三元组<h,r,t>，采用表示学习中TransR距离模型学习图中节点与关系的向量嵌入表示。距离模型中对于三元组中每一个关系r，设置投影矩阵M^r，实体节点h,t在关系r上的投影表示为：h_r＝hM^r,t_r＝tM^r。

步骤3.2：划分距离模型训练所需的正负三元组数据。协同知识图中已有的三元组<h,r,t>划分为正三元组，然后在随机选取其他节点，替换正三元组中的头节点或尾节点，作为负三元组。如在原始三元组中存在正三元组<让子弹飞，导演，姜文>。则生成的负三元组为<叶问，导演，姜文>或<让子弹飞，导演，成龙>。

步骤3.3：定义距离模型损失函数，根据所划分的正负三元组数据训练模型，输出协同知识图中节点与关系的嵌入向量表示。模型损失函数基于最大距离的思想，目标为正三元组得分小，负三元组得分大，损失函数定义如下：

式中max(x,y)是合页损失函数，获得x与y之间的最大值。(h,r,t)∈S表示正三元组集合，由图中节点随机抽取获得。(h′,r′,t′)∈S′表示负三元组集合，由步骤3.2中负三元组构建方法生成。γ为超参数，表示样本间距误差。目标函数展现空间最大分隔思想，正三元组得分f_r(h,t)趋近于0，负三元组得分f_r′(h′,t′)趋近于无穷大。

步骤4：将协同知识图中节点和关系的向量嵌入与用户历史行为数据输入基于注意力机制的图卷积神经网络模型中，协同知识图中节点和关系的向量嵌入经过模型中信息传播与信息融合过程，形成含有邻域信息的新节点和关系的向量嵌入表示；

步骤4.1：定义协同知识图中邻域信息传播最大阶数L。对于每一个协同知识图中节点，与节点直接相连的邻居信息称为一阶邻域，与邻居节点相连的称为二阶邻域，以此类推可获得L阶邻域。协同知识图中，一个节点会受到其邻域节点影响。这些节点可以通过信息传播丰富其的自身信息，对最终预测结果做出贡献。如图2所示的协同知识图，图中节点User1的一阶邻域为{邪不压正，让子弹飞，关云长}，User1的二阶邻域为{喜剧，彭于晏，姜文，甄子丹，User2}。

步骤4.2：对于某一个节点h，获取节点h的L阶邻域节点拓扑信息。以节点h为中心进行L阶结构的信息传播，传播过程中通过图注意力机制获得节点之间的边的权重。

对于每一阶信息传播，所有节点通过边向一阶邻域节点传播其特征，传播过程中根据节点和关系的不同，每条连接的权值有所不同。定义节点h的一阶邻居的线性组合函数为：

其中e_t与e_H分别表示t节点与h节点邻域的嵌入，α(h,r,t)为注意力机制函数，代表有多少信息通过关系r从节点t中传播到节点h中，描述实体节点t在关系r中对实体节点h的重要性。α(h,r,t)函数的定义为：

π(h,r,t)＝tanh[(e_hM^r+e_r)W₁][(e_tM^r)W₁]^T

tanh为激活函数，e_h,e_t∈R^d,e_r∈R^k，表示三元组(h,r,t)的节点嵌入表示，由步骤3中距离模型输出获得。M^r∈R^d×k为关系r下的投影矩阵。W₁∈R^k×k为可训练权重矩阵

步骤4.3：对于每一个节点，新的节点向量嵌入表示，由自身与一阶邻域节点通过聚合函数聚合生成。聚合生成的新节点向量嵌入的过程受节点之间权重影响。节点h的第L阶邻域节点，通过聚合生成新的包含L阶节点信息的第L-1阶邻域节点，第L-1阶邻域节点通过聚合产生新的L-2阶邻域节点。以此通过递归方式直至传播至节点h的第一阶邻域，通过聚合生成包含L阶拓扑结构信息的节点h的新向量嵌入表示。

聚合过程具体为：

agg＝σ(W(e_h+e_H)+b)

式中e_h与e_H分别表示节点h与节点h的邻域节点嵌入，W∈R^d×d与b∈R^d为可训练权重矩阵与偏差，σ为ReLu激活函数。

高阶传播递归公式为：

e_t ⁰＝e_t

其中e_t ^l-1表示实体节点t经过之前迭代信息聚合生成的节点嵌入，保存有前面l-1阶邻域信息。

步骤4.4：通过得分函数计算用户与商品之间交互的可能性。定义损失函数，通过用户历史交互数据更新训练模型参数。

对于每一对用户-商品，在协同知识图中以用户节点u与物品节点v为中心，经过L层传播聚合，生成用户最终嵌入

与物品最终嵌入

定义得分函数:

得分函数

为内积操作，用来描述用户u与物品v之间的预测相关性分数。

对于模型训练，定义损失函数：

其中O表示样本训练集合，O＝{(u,i⁺,i^-)|((u,i⁺)∈R⁺),((u,i^-)∈R^-)}，样本数据由用户交互数据生成，R⁺表示正样本数据集合，表示用户点击、购买某商品的集合，R^-表示负样本数据集合，表示用户与某商品无交互关系的集合，σ为非线性激活函数Sigmoid。由此更新训练模型数据。

步骤5：定义得分函数，通过图卷积神经网络模型输出的融合邻域信息的用户、商品向量嵌入表示，计算用户喜欢商品的概率。定义模型损失函数，使用用户历史行为数据训练模型。根据预测结果，排序获得推荐列表；

步骤5.1：对于每一组用户、商品，通过基于注意力机制的图卷积神经网络取得融合邻域节点的用户、商品向量嵌入表示，定义得分函数，通过得分函数计算用户与商品之间的相似度。例如：在协同知识图中以用户节点u与物品节点v为中心，经过L阶传播聚合，生成用户最终嵌入

与物品最终嵌入

定义得分函数为:

得分函数

为内积操作，用来描述用户u与物品v之间的预测相关性分数。

步骤5.2：定义损失函数，通过用户历史交互数据更新训练模型参数。对于模型训练，定义损失函数：

其中O表示样本训练集合，O＝{(u,v⁺,v^-)|((u,v⁺)∈V⁺),((u,v^-)∈V^-)}，样本数据由用户交互数据生成，V⁺表示正样本数据集合，表示用户点击、购买某商品的集合，V^-表示负样本数据集合，表示用户与某商品无交互关系的集合，σ为非线性激活函数Sigmoid。由此更新训练模型数据。

步骤5.3：通过得分函数计算每一对用户与候选商品之间的相似度，将相似度按照降序排列，按照设定推荐数与阈值进行选取，取得商品推荐列表。

以上所述仅是一种融合知识图谱对商品进行个性化推荐的方法的优选实施方式，一种融合知识图谱对商品进行个性化推荐的方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

Claims (10)

1.一种融合知识图谱对商品进行个性化推荐的方法，其特征是：包括以下步骤：

步骤1：获得用户历史行为数据，根据用户历史行为数据中的商品名称，获取商品实体知识，生成商品知识图；

步骤2：将用户历史行为数据与商品知识图进行构建，得到协同知识图；

步骤3：根据得到的协同知识图，进行学习协同知识图中节点和关系的特征，获取协同知识图中节点和关系的向量嵌入；

步骤4：将协同知识图中节点和关系的向量嵌入与用户历史行为数据，输入基于注意力机制的图卷积神经网络模型中，形成含有邻域信息的新节点和关系的向量嵌入；

步骤5：确定得分函数，通过图卷积神经网络模型输出的融合邻域信息的用户、商品向量嵌入表示，得到用户喜欢商品的概率，进行个性化推荐。

2.根据权利要求1所述的一种融合知识图谱对商品进行个性化推荐的方法，其特征是：所步骤1具体为：

步骤1.1：获得用户历史行为数据，对用户历史交互数据进行分析，提取与用户有交互的商品列表信息，通过知识图谱进行实体匹配，查询并下载商品列表中的商品知识信息；

步骤1.2：对知识图谱中商品知识信息进行关键词抽取，获得含有商品实体与关系的关键词；

步骤1.3：根据得到的商品实体与关系的关键词，建立商品三元组：<h,r,t>，其中，h为头节点，r为关系，t为尾节点，根据三元组建立商品知识图。

3.根据权利要求1所述的一种融合知识图谱对商品进行个性化推荐的方法，其特征是：所述步骤2具体为：

将步骤1中获得的用户历史行为数据转换为三元组形式，将用户历史行为数据的三元组与商品知识图中的商品三元组进行融合，对三元组中节点与关系使用统一编号，保证每个节点与关系编号唯一；使用新编号描述三元组，获得协同知识图。

4.根据权利要求1所述的一种融合知识图谱对商品进行个性化推荐的方法，其特征是：所述步骤3具体为：

步骤3.1：对于协同知识图中的每一个三元组，采用表示学习中距离模型学习图中节点与关系的向量嵌入表示，距离模型中对于三元组中每一个关系，设置投影矩阵M^r，通过下式表示实体节点在关系上的投影h_r和t_r：

h_r＝hM^r,t_r＝tM^r；

步骤3.2：划分距离模型训练所需的正负三元组数据，将协同知识图中的三元组<h,r,t>划分为正三元组，然后在随机选取节点，替换正三元组中的头节点或尾节点，作为负三元组；

步骤3.3：定义距离模型损失函数，根据所划分的正负三元组数据训练模型，输出协同知识图中节点与关系的嵌入向量表示。

5.根据权利要求4所述的一种融合知识图谱对商品进行个性化推荐的方法，其特征是：通过下式表示距离模型损失函数下：

其中，max(x,y)是合页损失函数，获得x与y之间的最大值，(h,r,t)∈S表示正三元组集合，由图中节点随机抽取获得；(h′,r′,t′)∈S′表示负三元组集合，γ为超参数，表示样本间距误差；目标函数展现空间最大分隔思想，正三元组得分f_r(h,t)趋近于0，负三元组得分f_r’(h′,t′)趋近于无穷大。

6.根据权利要求1所述的一种融合知识图谱对商品进行个性化推荐的方法，其特征是：所述步骤4具体为：

步骤4.1：定义协同知识图中邻域信息传播最大阶数L，对于每一个协同知识图中节点，与节点直接相连的邻居信息称为一阶邻域，与邻居节点相连的称为二阶邻域，以此类推获得L阶邻域；

步骤4.2：对于某一个节点h，获取节点h的L阶邻域节点拓扑信息，以节点h为中心进行L阶结构的信息传播，传播过程中通过图注意力机制获得节点之间的边的权重；

步骤4.3：对于每一个节点，新的节点向量嵌入表示，由自身与一阶邻域节点通过聚合函数聚合生成，聚合生成的新节点向量嵌入的过程受节点之间权重影响，节点h的第L阶邻域节点，通过聚合生成新的包含L阶节点信息的第L-1阶邻域节点，第L-1阶邻域节点通过聚合产生新的L-2阶邻域节点，通过递归方式直至传播至节点h的第一阶邻域，通过聚合生成包含L阶拓扑结构信息的节点h的新向量嵌入表示。

7.根据权利要求6所述的一种融合知识图谱对商品进行个性化推荐的方法，其特征是：通过下式表示节点h的一阶邻居的线性组合函数为：

其中，e_t与e_H分别表示t节点与h节点邻域的嵌入，α(h,r,t)为注意力机制函数，代表有多少信息通过关系r从节点t中传播到节点h中，描述实体节点t在关系r中对实体节点h的重要性；

通过下式表示α(h,r,t)函数：

π(h,r,t)＝tanh[(e_hM^r+e_r)W₁][(e_tM^r)W₁]^T

其中，tanh为激活函数，e_h,e_t∈R^d,e_r∈R^k，表示三元组(h,r,t)的节点嵌入表示，由步骤3中距离模型输出获得；M^r∈R^d×k为关系r下的投影矩阵；W₁∈R^k×k为可训练权重矩阵。

8.根据权利要求6所述的一种融合知识图谱对商品进行个性化推荐的方法，其特征是：对于每一对用户-商品，在协同知识图中以用户节点u与物品节点v为中心，经过L层传播聚合，生成用户最终嵌入

与物品最终嵌入

通过下式表示得分函数:

其中，得分函数

为内积操作，用来描述用户u与物品v之间的预测相关性分数。

9.根据权利要求1所述的一种融合知识图谱对商品进行个性化推荐的方法，其特征是：所述步骤5具体为：

步骤5.1：对于每一组用户和商品，通过基于注意力机制的图卷积神经网络取得融合邻域节点的用户和、商品向量嵌入表示，定义得分函数，通过得分函数计算用户与商品之间的相似度；

步骤5.2：定义损失函数，通过用户历史交互数据更新训练模型参数；

步骤5.3：通过得分函数计算每一对用户与候选商品之间的相似度，将相似度按照降序排列，按照设定推荐数与阈值进行选取，取得商品推荐列表。

10.根据权利要求9所述的一种融合知识图谱对商品进行个性化推荐的方法，其特征是：通过下式表示损失函数：

其中，Ο表示样本训练集合，Ο＝{(u,v⁺,v^-)|((u,v⁺)∈V⁺),((u,v^-)∈V^-)}，由样本数据由用户交互数据生成，V⁺表示正样本数据集合，表示用户点击、购买某商品的集合，V^-表示负样本数据集合，表示用户与某商品无交互关系的集合，σ为非线性激活函数Sigmoid，更新训练模型数据。

Images