CN115098692A - 跨域推荐方法、装置、电子设备及存储介质 - Google Patents

跨域推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115098692A
CN115098692A CN202210614778.6A CN202210614778A CN115098692A CN 115098692 A CN115098692 A CN 115098692A CN 202210614778 A CN202210614778 A CN 202210614778A CN 115098692 A CN115098692 A CN 115098692A
Authority
CN
China
Prior art keywords
domain
entity
recommended
user
cross
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210614778.6A
Other languages
English (en)
Inventor
李涓子
李亚坤
侯磊
褚晓泉
孟斌杰
张鹏
唐杰
许斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202210614778.6A priority Critical patent/CN115098692A/zh
Publication of CN115098692A publication Critical patent/CN115098692A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种跨域推荐方法、装置、电子设备及存储介质，其中，所述方法应用于数据稀疏的目标域，目标域的目标域实体包括待推荐用户实体和待推荐商品实体，所述方法包括：获取知识图谱和源域，其中，源域中的源域实体包括源域用户实体和源域商品实体；基于知识图谱，对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量；基于目标域实体向量和源域实体向量，通过图注意力模型得到待推荐用户实体的融合偏好特征；基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序。通过本发明提高了对待推荐用户实体进行商品实体推荐的推荐效率。

Description

跨域推荐方法、装置、电子设备及存储介质
技术领域
本发明涉及跨域推荐技术领域，尤其涉及一种跨域推荐方法、装置、电子设备及存储介质。
背景技术
跨域推荐根植于用户的日常线上生活，为其提供多种多样的产品推送服务，它旨在将源域或辅域中丰富的知识迁移至目标推荐***中，利用充足的源域或辅域知识来辅助稀疏目标***的实体推荐。然而，互联网每天涌现出的数以亿计的知识资源，对跨域推荐***性能提出了严峻的挑战。
相关技术可知，传统的跨域推荐方法，主要利用实体相关内容属性(标签、评论日志、语义关联、社会关系等)来建立源域和目标域间的联系，从而将源域知识迁移至目标域推荐***，协助其生成最终的推荐结果。
然而，当前跨域推荐***通常仅包含少量的重叠实体，传统的方法难以利用这些少数重叠实体来获取更多源域和目标域中实体的偏好知识，导致推荐效率低下。
发明内容
本发明提供一种跨域推荐方法、装置、电子设备及存储介质，用以解决现有技术中推荐***的推荐效率低下的缺陷，实现了目标域和源域之间实体知识迁移的有效性，从而提高了对待推荐用户实体进行商品实体推荐的推荐效率和推荐准确率。
本发明提供一种跨域推荐方法，所述方法应用于数据稀疏的目标域，所述目标域的目标域实体包括待推荐用户实体和待推荐商品实体，所述方法包括：获取知识图谱和源域，其中，所述源域中的源域实体包括源域用户实体和源域商品实体；基于所述知识图谱，对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量；基于所述目标域实体向量和所述源域实体向量，通过图注意力模型得到所述待推荐用户实体的融合偏好特征，其中，所述图注意力模型通过预训练得到；基于所述待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序。
根据本发明提供的一种跨域推荐方法，所述基于所述知识图谱，对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量，具体包括：基于所述知识图谱、所述目标域实体和所述源域实体，得到协同知识图谱，其中，所述协同知识图谱中包括所述目标域实体的数据和所述源域实体的数据；基于所述协同知识图谱，通过知识表示模型对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量，其中，所述知识表示模型通过预训练得到。
根据本发明提供的一种跨域推荐方法，所述基于所述目标域实体向量和所述源域实体向量，通过图注意力模型得到所述待推荐用户实体的融合偏好特征，具体包括：基于所述目标域实体向量，通过所述图注意力模型得到所述待推荐用户实体在所述目标域内的域内偏好特征；基于所述源域实体向量，通过所述图注意力模型得到所述待推荐用户实体关于所述源域的跨域偏好特征；基于所述域内偏好特征和所述跨域偏好特征，得到所述待推荐用户实体的融合偏好特征。
根据本发明提供的一种跨域推荐方法，所述基于所述目标域实体向量，通过所述图注意力模型得到所述待推荐用户实体在所述目标域内的域内偏好特征，具体包括：基于所述目标域实体向量，通过多跳推理机制确定所述待推荐用户实体在所述目标域内的多个域内相似邻居；通过所述图注意力模型确定所述域内相似邻居的注意力权重；对所述域内相似邻居的注意力权重进行归一化处理，得到所述域内相似邻居的偏好注意力系数；基于各个所述域内相似邻居的偏好注意力系数的加权和，得到所述待推荐用户实体在所述目标域内的域内偏好特征。
根据本发明提供的一种跨域推荐方法，所述基于所述源域实体向量，通过所述图注意力模型得到所述待推荐用户实体关于所述源域的跨域偏好特征，具体包括：基于所述源域实体向量，通过随机游走机制确定所述待推荐用户实体在所述源域内的跨域相似邻居；通过所述图注意力模型确定所述跨域相似邻居的注意力权重；基于所述目标域实体向量，确定所述待推荐用户实体的原始注意力向量权重；对所述跨域相似邻居的注意力权重和所述待推荐用户实体的原始注意力向量权重进行全连接处理，得到所述待推荐用户实体关于所述源域的跨域偏好特征。
根据本发明提供的一种跨域推荐方法，所述基于所述域内偏好特征和所述跨域偏好特征，得到所述待推荐用户实体的融合偏好特征采用以下公式确定：
Figure BDA0003670517150000031
其中，
Figure BDA0003670517150000032
表示所述待推荐用户实体的融合偏好特征；LeahkReLU[.]表示LeahkReLU激活函数处理；ξ表示偏好表示的平衡参数，用于控制所述跨域偏好特征的参与程度；
Figure BDA0003670517150000033
表示所述域内偏好特征；
Figure BDA0003670517150000034
表示所述跨域偏好特征。
根据本发明提供的一种跨域推荐方法，所述基于所述待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序，具体包括：基于所述待推荐用户实体的融合偏好特征，通过所述跨域贝叶斯机制分别得到所述目标域中的所述待推荐用户实体的目标域用户节点层表示和所述待推荐商品实体的目标域商品节点层表示，以及所述源域中的所述源域用户实体的源域用户节点层表示和所述源域商品实体的源域商品节点层表示；对所述目标域中的所述目标域用户节点层表示和所述目标域商品节点层表示进行内积，得到所述待推荐用户实体关于所述待推荐商品实体的第一匹配值；对所述源域中的所述源域用户节点层表示和所述源域商品节点层表示进行内积，得到所述源域用户实体关于所述源域商品实体的第二匹配值；对所述第一匹配值和所述第二匹配值进行跨域正则化项处理，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序。
根据本发明提供的一种跨域推荐方法，所述对所述第一匹配值和所述第二匹配值进行跨域正则化项处理，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序采用以下公式实现：
Figure BDA0003670517150000041
其中，LCBPR表示所述待推荐用户实体关于所述待推荐商品实体的推荐排序；κ和κ'分别表示所述源域和所述目标域中的训练样本；σ(·)表示Sigmoid函数；λ表示控制跨域相似偏好融合程度的正则化参数；
Figure BDA0003670517150000042
表示待推荐用户实体ut关于待推荐商品实体it的第一匹配值；
Figure BDA0003670517150000043
表示待推荐用户实体ut关于待推荐商品实体jt的第一匹配值；
Figure BDA0003670517150000044
表示源域用户实体us关于源域商品实体is的第二匹配值；
Figure BDA0003670517150000045
表示源域用户实体us关于源域商品实体js的第二匹配值。
本发明还提供一种跨域推荐装置，所述装置应用于数据稀疏的目标域，所述目标域的目标域实体包括待推荐用户实体和待推荐商品实体，所述装置包括：获取模块，用于获取知识图谱和源域，其中，所述源域中的源域实体包括源域用户实体和源域商品实体；转换模块，用于基于所述知识图谱，对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量；处理模块，用于基于所述目标域实体向量和所述源域实体向量，通过图注意力模型得到所述待推荐用户实体的融合偏好特征，其中，所述图注意力模型通过预训练得到；生成模块，用于基于所述待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的跨域推荐方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的跨域推荐方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的跨域推荐方法。
本发明提供的跨域推荐方法、装置、电子设备及存储介质，通过知识图谱中实体和关系的语义信息，得到目标域实体向量和源域实体向量，并基于图注意力模型得到待推荐用户实体的融合偏好特征，实现了待推荐用户实体的偏好特征的跨域融合，并基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序，实现了目标域和源域之间实体知识迁移的有效性，从而提高了对待推荐用户实体进行商品实体推荐的推荐效率和推荐准确率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的跨域推荐方法的流程示意图；
图2是本发明提供的基于知识图谱对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量的流程示意图；
图3是本发明提供的基于目标域实体向量和源域实体向量，通过图注意力模型得到待推荐用户实体的融合偏好特征的流程示意图；
图4是本发明提供的基于目标域实体向量，通过图注意力模型得到待推荐用户实体在目标域内的域内偏好特征的流程示意图；
图5是本发明提供的基于源域实体向量，通过图注意力模型得到待推荐用户实体关于源域的跨域偏好特征的流程示意图；
图6是本发明提供的基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序的流程示意图；
图7是本发明提供的跨域推荐装置的结构示意图；
图8是本发明提供的电子设备的结构示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
知识图谱是一种异质信息网络，它是以结构化的数据形式描述客观世界中概念、实体及其之间的关系，提供了一种能够更好地组织、管理和理解互联网海量信息的能力。在推荐***中，知识图谱可以将***中的实体知识与传统图谱中的实体和关系融合，组成一个多类型实体和关系的复杂信息网络，其中节点代表实体或项目，边代表关系。它不仅可以揭示网络中实体间的语义偏好特征，还能产生高效的实体表示用于图神经网络模型的训练。
知识图谱中实体和关系的表示可以揭示实体间的偏好特征，相似实体的偏好知识能够通过重叠实体进行跨域融合，然而现有跨域推荐模型未能充分利用知识图谱中的偏好信号进行高效的评分预测。因此，本发明提供的跨域推荐方法通过偏好感知的图注意力网络模型来聚合跨域相似实体的偏好知识，然后融合域内相似实体偏好特征，基于提出的跨域贝叶斯个性化排序方法来预测目标***中实体可能喜欢的项目。在应用过程中，可以给定一个稠密的源域矩阵，一个稀疏的目标域矩阵和一个知识图谱，通过本发明可以实现根据源域和目标域中已知的评分矩阵和知识图谱来预测目标推荐***中实体可能偏好的一些项目的概率。
为了进一步介绍本发明提供的跨域推荐方法，下面将结合图1进行说明。
图1是本发明提供的跨域推荐方法的流程示意图。
在本发明一示例性实施例中，跨域推荐方法可以应用于数据稀疏的目标域。其中，目标域的目标域实体可以包括待推荐用户实体和待推荐商品实体。结合图1可知，跨域推荐方法可以包括步骤110至步骤140，下面将分别介绍各步骤。
在步骤110中，获取知识图谱和源域，其中，源域中的源域实体包括源域用户实体和源域商品实体。
可以理解的是，目标域和源域是通过两个域间重叠实体，可以是关于用户的实体，也可以是关于商品的实体建立连接。在一示例中，待推荐用户实体可以是一个，也可以是多个。
在步骤120中，基于知识图谱，对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量。
在一种实施例中，可以结合知识图谱，将目标域实体和源域实体共同融入至知识图谱中得到协同知识图谱，并基于协同知识图谱得到与目标域实体对应的目标域实体向量和与源域实体对应的源域实体向量。通过本实施例，实现了目标域实体和源域实体的降维处理，为得到关于待推荐用户实体在目标域内的域内偏好特征和待推荐用户实体关于源域的跨域偏好特征打下基础。
在步骤130中，基于目标域实体向量和源域实体向量，通过图注意力模型得到待推荐用户实体的融合偏好特征，其中，图注意力模型通过预训练得到。
在一种实施例中，可以基于目标域实体向量和源域实体向量，通过图注意力模型来聚合域内和跨域相似实体的偏好特征，得到待推荐用户实体的融合偏好特征，从而提高知识迁移的有效性，为提高对待推荐用户实体进行商品实体推荐的推荐效率和推荐准确率打下基础。
在步骤140中，基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序。
在一种实施例中，可以根据待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，从而充分利用了进行跨域融合的融合偏好特征进行推荐排序，进而得到待推荐用户实体关于待推荐商品实体的推荐排序，提高了对待推荐用户实体进行商品实体推荐的推荐效率和推荐准确率。
本发明提供的跨域推荐方法，通过知识图谱中实体和关系的语义信息，得到目标域实体向量和源域实体向量，并基于图注意力模型得到待推荐用户实体的融合偏好特征，实现了待推荐用户实体的偏好特征的跨域融合，并基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序，实现了目标域和源域之间实体知识迁移的有效性，从而提高了对待推荐用户实体进行商品实体推荐的推荐效率和推荐准确率。
为了进一步介绍本发明提供的跨域推荐方法，下面将对基于知识图谱对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量的过程进行说明。
图2是本发明提供的基于知识图谱对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量的流程示意图。
在本发明一示例性实施例中，结合图2可知，基于知识图谱，对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量可以包括步骤210和步骤220，下面将分别介绍各步骤。
在步骤210中，基于知识图谱、目标域实体和源域实体，得到协同知识图谱，其中，协同知识图谱中包括目标域实体的数据和源域实体的数据。
在一种实施例中，可以将目标域实体和源域实体进行降维处理，并融入至知识图谱中，得到协同知识图谱。可以理解的是，在协同知识图谱中可以同时包括目标域实体的数据和源域实体的数据，从而便于待推荐用户实体的域内和跨域偏好特征的融合，提高知识迁移的有效性，进而提高对待推荐用户实体进行商品实体推荐的推荐效率和推荐准确率。
在步骤220中，基于协同知识图谱，通过知识表示模型对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量，其中，知识表示模型通过预训练得到。
在一种实施例中，图表示模型(对应知识表示模型)可以在保留图谱结构的同时，还可以为用户提供跨域语义偏好信息。根据知识图谱概念，图中实体的不同属性揭露了用户不同的偏好特征。在一示例中，可以采用TransD知识表示模型表征用户偏好。在应用过程中，可以根据协同知识图谱，通过知识表示模型对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量。
需要说明的是，基于向量转换原则
Figure BDA0003670517150000101
当且仅当知识图谱存在这样一个三元组(满足向量转换原则的三原组)时，实体的多类型属性和关系可以被学习通过提出的评分函数f(h,r,t)。给定三元组的评分函数被定义如下：
Figure BDA0003670517150000102
其中，Wrh和Wrt表示两个映射矩阵，它们可以将实体从实体空间投影到关系空间中；eh，er和et分别表示头实体h，关系r和尾实体t的偏好表示。结合公式(1)可知，较低的损失函数值更有可能是真实的三元组，反之亦然。
为了获得真实的训练结果，TransD模型对知识图谱中所有可用的三元组进行编码，包括真实三元组和消极三元组。在本发明中，将基于边缘排序的目标训练函数训练所有三元组，并将其作为损失函数的正则化项添加到最终的训练模型中，通过此种方式提高TransD模型输出目标域实体向量和源域实体向量的准确性。其中，前文所述的损失函数可以采用以下公式表示：
Figure BDA0003670517150000103
其中，τ和τ'分别为真实和消极三元组样本，θ为真实三元组样本和消极三元组样本的样本间的边距，f(·)表示评分函数。
在本发明中，可以使用偏好表示作为图注意力模型输入来指导域内和跨域的用户偏好的生成，并且可以将域内和跨域的用户偏好作为正则化项来约束实体和关系的训练以加速收敛并避免过度拟合，从而提高对待推荐用户实体进行商品实体推荐的推荐效率和推荐准确率。
需要说明的是，本发明采用TransD作为图表示方法可以捕获实体的多类型关系，并且仅使用较少的训练参数。因此，这使得它可以在大规模跨域推荐***中应用知识图谱成为可能。
在实体偏好特征建模过程中，受激发于Transformer架构的训练优势，本发明利用偏好特征表示，采用图注意力机制来学习协同知识图谱中实体的偏好权重。其中，实体偏好特征可以包括域内偏好特征和跨域偏好特征。下面将对包含域内偏好特征和跨域偏好特征的融合偏好特征的获取过程进行说明。
本发明将结合图3对基于目标域实体向量和源域实体向量，通过图注意力模型得到待推荐用户实体的融合偏好特征的过程进行说明。
图3是本发明提供的基于目标域实体向量和源域实体向量，通过图注意力模型得到待推荐用户实体的融合偏好特征的流程示意图。
在本发明一示例性实施例中，结合图3可知，基于目标域实体向量和源域实体向量，通过图注意力模型得到待推荐用户实体的融合偏好特征可以包括步骤310至步骤330，下面将分别介绍各步骤。
在步骤310中，基于目标域实体向量，通过图注意力模型得到待推荐用户实体在目标域内的域内偏好特征。
在步骤320中，基于源域实体向量，通过图注意力模型得到待推荐用户实体关于源域的跨域偏好特征。
在一种实施例中，可以基于目标域实体向量，通过图注意力模型得到待推荐用户实体在目标域内的域内偏好特征，以及基于源域实体向量，通过图注意力模型得到待推荐用户实体关于源域的跨域偏好特征。其中，图注意力模型可以通过预训练获得。
在步骤330中，基于域内偏好特征和跨域偏好特征，得到待推荐用户实体的融合偏好特征。
可以理解的是，来自不同领域的相似实体偏好特征对重塑用户的最终偏好(对应融合偏好特征)有着不同的贡献。基于目标节点在域内和跨域的相似节点的表示，其新的偏好(对应融合偏好特征)表示最终通过非线性映射融合。在一示例中，可以基于域内偏好特征和跨域偏好特征，得到待推荐用户实体的融合偏好特征。
在又一种实施例中，基于域内偏好特征和跨域偏好特征，得到待推荐用户实体的融合偏好特征可以采用以下公式确定：
Figure BDA0003670517150000121
其中，
Figure BDA0003670517150000122
表示待推荐用户实体的融合偏好特征；LeahkReLU[.]表示LeahkReLU激活函数处理；ξ表示偏好表示的平衡参数，用于控制跨域偏好特征的参与程度；
Figure BDA0003670517150000123
表示域内偏好特征；
Figure BDA0003670517150000124
表示跨域偏好特征。可以理解的是，当ξ为1时，跨域节点不参与模型学习，即任何跨域实体和项目信息(可以对应跨域偏好特征)并没有被利用来计算目标节点的偏好特征。当ξ为0时，目标节点的偏好学习全部来源于跨域节点，域内相似节点的特征信息将不会应用于最终的偏好预测。
为了进一步介绍本发明提供的跨域推荐方法，下面对基于目标域实体向量，通过图注意力模型得到待推荐用户实体在目标域内的域内偏好特征的过程进行说明。
图4是本发明提供的基于目标域实体向量，通过图注意力模型得到待推荐用户实体在目标域内的域内偏好特征的流程示意图。
在本发明一示例性实施例中，结合图4可知，基于目标域实体向量，通过图注意力模型得到待推荐用户实体在目标域内的域内偏好特征可以包括步骤410至步骤440，下面将分别介绍各步骤。
在步骤410中，基于目标域实体向量，通过多跳推理机制确定待推荐用户实体在目标域内的多个域内相似邻居。
用户域内偏好特征揭示了目标实体的内在意图属性，对目标用户的最终偏好建模起着至关重要的作用。因此，目标用户域内偏好的获取首先需要聚合域内相似邻居节点的偏好。
在一种实施例中，可以基于目标域实体向量，通过多跳推理机制寻找同一域内(对应目标域内)相似节点的邻居(对应待推荐用户实体的多个域内相似邻居)。
在步骤420中，通过图注意力模型确定域内相似邻居的注意力权重。
受激发于Transformer结构在捕获节点语义方面的优势，在一种实施例中，可以通过图注意力方法来学习节点在不同方面的偏好权重。在一示例中，通过图注意力模型确定域内相似邻居的注意力权重可以采用以下公式确定：
evk＝ReLU(Wvk·hv||Wvk·hk),k∈Nu(v) (4)
其中，evk表示域内相似邻居的注意力权重；Wvk是节点hv和hk的特征向量的共享注意力参数；||表示低维向量的连接操作；Nu(v)表示同一域中节点(对应待推荐用户实体)的相似邻居的集合。其中，节点hv可以理解为是对应待推荐用户实体的节点，节点hk可以理解为是对应域内相似邻居的节点。
在步骤430中，对域内相似邻居的注意力权重进行归一化处理，得到域内相似邻居的偏好注意力系数。
在一种实施例中，对域内相似邻居的注意力权重进行归一化处理，可以得到不同群簇节点之间的相似性。在一示例中，对域内相似邻居的注意力权重进行归一化处理，得到域内相似邻居的偏好注意力系数可以采用以下公式确定：
Figure BDA0003670517150000141
其中，偏好注意力系数avk展示了域内节点k对中心节点v偏好权重的贡献程度。它可以直接揭示不同节点和域内中心节点之间的差异化偏好。
在步骤440中，基于各个域内相似邻居的偏好注意力系数的加权和，得到待推荐用户实体在目标域内的域内偏好特征。
在一种实施例中，可以对域内相似节点的低维偏好表示进行加权求和，来获得新的域内节点的偏好表示(对应待推荐用户实体在目标域内的域内偏好特征)。在一示例中，基于各个域内相似邻居的偏好注意力系数的加权和，得到待推荐用户实体在目标域内的域内偏好特征可以采用以下公式确定：
Figure BDA0003670517150000142
其中，σ表示激活函数；W表示权重值，其中，权重值可以根据实际情况进行调整，在本实施例中，不对具体限定。
为了进一步介绍本发明提供的跨域推荐方法，下面对基于源域实体向量，通过图注意力模型得到待推荐用户实体关于源域的跨域偏好特征的过程进行说明。
图5是本发明提供的基于源域实体向量，通过图注意力模型得到待推荐用户实体关于源域的跨域偏好特征的流程示意图。
在本发明一示例性实施例中，结合图5可知，基于源域实体向量，通过图注意力模型得到待推荐用户实体关于源域的跨域偏好特征可以包括步骤510至步骤540，下面将分别介绍各步骤。
在步骤510中，基于源域实体向量，通过随机游走机制确定待推荐用户实体在源域内的跨域相似邻居。
跨域相似用户的偏好可以传递并为目标域中的冷启动用户提供更多语义信息，从而缓解目标域中推荐准确率低下的问题。鉴于不同推荐***中存在的域异质性和数据分布的差异，在本实施例中，可以采用随机游走方法来探索知识图中的跨域相似节点。通过确定待推荐用户实体在源域内的跨域相似邻居，旨在聚合跨域相似节点的偏好特征，来更准确地建模目标用户的偏好特征，并增强整体模型的泛化性能。
在步骤520中，通过图注意力模型确定跨域相似邻居的注意力权重。
在一种实施例中，可以采用以下公式通过图注意力模型确定跨域相似邻居的注意力权重：
Figure BDA0003670517150000151
其中，hacross表示跨域相似邻居的注意力权重；Wa表示可训练的注意力权重来提取用于传播的偏好信息；t表示目标节点(对应待推荐用户实体)的跨域相似邻居；N'u(v)表示所有跨域相似邻居的集合；n表示跨域相似邻居的个数。
在步骤530中，基于目标域实体向量，确定待推荐用户实体的原始注意力向量权重。
在步骤540中，对跨域相似邻居的注意力权重和待推荐用户实体的原始注意力向量权重进行全连接处理，得到待推荐用户实体关于源域的跨域偏好特征。
在一种实施例中，可以根据目标域实体向量，确定出待推荐用户实体的原始注意力向量权重。进一步的，将当前目标节点的低维向量表示进行传播并结合来感知用户偏好，进而通过多全连接层的表示传播获得最终的跨域偏好表示。在应用过程中，可以对跨域相似邻居的注意力权重和待推荐用户实体的原始注意力向量权重进行全连接处理，得到待推荐用户实体关于源域的跨域偏好特征。
其中，对跨域相似邻居的注意力权重和待推荐用户实体的原始注意力向量权重进行全连接处理，得到待推荐用户实体关于源域的跨域偏好特征可以采用以下公式实现：
Figure BDA0003670517150000161
其中，
Figure BDA0003670517150000162
表示待推荐用户实体关于源域的跨域偏好特征；hv表示待推荐用户实体的原始注意力向量权重；hacross表示跨域相似邻居的注意力权重。
为了进一步介绍本发明提供的跨域推荐方法，下面将对基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序的过程进行说明。
图6是本发明提供的基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序的流程示意图。
在本发明一示例性实施例中，结合图6可知，基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序可以包括步骤610至步骤640，下面将分别介绍各步骤。
在步骤610中，基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制分别得到目标域中的待推荐用户实体的目标域用户节点层表示和待推荐商品实体的目标域商品节点层表示，以及源域中的源域用户实体的源域用户节点层表示和源域商品实体的源域商品节点层表示。
在一示例中，在执行完L层跨域节点传播后，通过贝叶斯机制可以获得源域中的源域用户实体的源域用户节点层表示
Figure BDA0003670517150000163
和源域商品实体的源域商品节点层表示
Figure BDA0003670517150000164
类似于源域中节点表示，在网络约束条件下L2＝L-L1，同样可以获得目标域中用户和项目节点的表示，即目标域中的待推荐用户实体的目标域用户节点层表示
Figure BDA0003670517150000171
和待推荐商品实体的目标域商品节点层表示
Figure BDA0003670517150000172
由于不同层上节点的表示强调了不同链接上的偏好信息，对目标节点的最终融合偏好有着不同的贡献。因此，本发明采用层聚合策略来连接域内和跨域的表示。其中，层聚合后的源域用户节点层表示可以用以下公式表达：
Figure BDA0003670517150000173
层聚合后的源域商品节点层表示可以用以下公式表达：
Figure BDA0003670517150000174
层聚合后的目标域用户节点层表示可以用以下公式表达：
Figure BDA0003670517150000175
层聚合后的目标域商品节点层表示可以用以下公式表达：
Figure BDA0003670517150000176
其中，s和t分别表示源域标签和目标域标签；||表示连接操作。基于上述处理，本发明不仅可以得到域内和跨域相似节点的偏好感知表示，还可以通过调整L1和L2来灵活控制传播范围。另外，连接机制的优点是不需要学习的太多的参数，并且训练过程也简单高效。
在步骤620中，对目标域中的目标域用户节点层表示和目标域商品节点层表示进行内积，得到待推荐用户实体关于待推荐商品实体的第一匹配值。
在一种实施例在中，对目标域中的目标域用户节点层表示和目标域商品节点层表示进行内积，得到待推荐用户实体关于待推荐商品实体的第一匹配值可以采用以下公式实现：
Figure BDA0003670517150000181
在步骤630中，对源域中的源域用户节点层表示和源域商品节点层表示进行内积，得到源域用户实体关于源域商品实体的第二匹配值。
在一种实施例中，对源域中的源域用户节点层表示和源域商品节点层表示进行内积，得到源域用户实体关于源域商品实体的第二匹配值可以采用以下公式实现：
Figure BDA0003670517150000182
在步骤640中，对第一匹配值和第二匹配值进行跨域正则化项处理，得到待推荐用户实体关于待推荐商品实体的推荐排序。
贝叶斯个性化排序(BPR)策略作为一种先进的基线推荐模型，经常被用来学习模型参数和预测实体评分，其基本原理是已知的实体评分能够更好地暴露用户的真实偏好，这些评分可以被赋予比未观察到的评分更高的预测权重。因此，本发明采用跨域贝叶斯个性化排序方法，该方法可以在源域中添加相似的偏好特征作为正则化项，用于预测目标域中未观察到的交互评分。在一示例中，可以对第一匹配值和第二匹配值进行跨域正则化项处理，得到待推荐用户实体关于待推荐商品实体的推荐排序。
其中，对第一匹配值和第二匹配值进行跨域正则化项处理，得到待推荐用户实体关于待推荐商品实体的推荐排序可以采用以下公式实现：
Figure BDA0003670517150000183
其中，LCBPR表示待推荐用户实体关于待推荐商品实体的推荐排序；κ和κ'分别表示源域和所述目标域中的训练样本；σ(·)表示Sigmoid函数；λ表示控制跨域相似偏好融合程度的正则化参数；
Figure BDA0003670517150000184
表示待推荐用户实体ut关于待推荐商品实体it的第一匹配值；
Figure BDA0003670517150000191
表示待推荐用户实体ut关于待推荐商品实体jt的第一匹配值；
Figure BDA0003670517150000192
表示源域用户实体us关于源域商品实体is的第二匹配值；
Figure BDA0003670517150000193
表示源域用户实体us关于源域商品实体js的第二匹配值。
在又一示例中，为了进一步优化排序结果，得到待推荐用户实体关于待推荐商品实体的推荐排序可以采用以下公式实现：
Figure BDA0003670517150000194
其中，LPGACKG表示优化后的关于待推荐商品实体的推荐排序；LCBPR表示基于公式(15)得到的关于待推荐商品实体的推荐排序；LCKG表示训练TransD模型的损失函数；η和β分别表示权重系数；Θ表示所有可训参数；η表示约束知识图中实体和关系的正则化参数。
为了提高训练效率，本发明采用Mini-Batch Gradient Descent策略来优化表示损失和跨域预测模型。此外，对于一批随机采样的三元组，它们在域内和跨域的偏好表示是在多步传播后建立的，因此，所提出的模型通过预测函数的梯度来更新参数。
本发明提出了一种基于图表征的偏好感知的特征向量表示方法，该方法可以利用知识图谱中实体和关系的语义信息来揭示目标节点的偏好特征；其次，构建了偏好感知的图注意力网络来聚合域内和域间相似实体的偏好特征，通过融合不同推荐***中相似实体偏好来模型化目标节点的最终偏好特征；最后，提出了一种新的跨域贝叶斯个性化排序方法来生成跨域预测结果，从而提高了对待推荐用户实体进行商品实体推荐的推荐效率和推荐准确率。
在多种公开的数据集上的广泛实验表明，本发明提出的跨域推荐方法推荐质量取得比现有先进技术更好地效果，尤其是在数据稀疏的跨域场景下极大地提升了预测性能。此外，本发明提出的方法在训练模型深度、层间迭代次数以及Dropout参数方面都实现了优越的训练效果，并在多组消融实验中相对现有技术取得了较大的提升。
基于相同的构思，本发明还提供一种跨域推荐装置。
下面对本发明提供的跨域推荐装置进行描述，下文描述的跨域推荐装置与上文描述的跨域推荐方法可相互对应参照。
图7是本发明提供的跨域推荐装置的结构示意图。
在本发明一示例性实施例中，跨域推荐装置可以应用于数据稀疏的目标域，其中，目标域的目标域实体可以包括待推荐用户实体和待推荐商品实体。结合图7可知，跨域推荐装置可以包括获取模块710、转换模块720、处理模块730和生成模块740，下面将分别介绍各模块。
获取模块710可以被配置为用于获取知识图谱和源域，其中，源域中的源域实体可以包括源域用户实体和源域商品实体。
转换模块720可以被配置为用于基于知识图谱，对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量。
处理模块730可以被配置为用于基于目标域实体向量和源域实体向量，通过图注意力模型得到待推荐用户实体的融合偏好特征，其中，图注意力模型可以通过预训练得到。
生成模块740可以被配置为用于基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序。
在本发明一示例性实施例中，转换模块720可以采用以下方式基于知识图谱，对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量：基于知识图谱、目标域实体和源域实体，得到协同知识图谱，其中，协同知识图谱中包括目标域实体的数据和源域实体的数据；基于协同知识图谱，通过知识表示模型对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量，其中，知识表示模型通过预训练得到。
在本发明一示例性实施例中，处理模块730可以采用以下方式基于目标域实体向量和源域实体向量，通过图注意力模型得到待推荐用户实体的融合偏好特征：基于目标域实体向量，通过图注意力模型得到待推荐用户实体在目标域内的域内偏好特征；基于源域实体向量，通过图注意力模型得到待推荐用户实体关于源域的跨域偏好特征；基于域内偏好特征和跨域偏好特征，得到待推荐用户实体的融合偏好特征。
在本发明一示例性实施例中，处理模块730可以采用以下方式基于目标域实体向量，通过图注意力模型得到待推荐用户实体在目标域内的域内偏好特征：基于目标域实体向量，通过多跳推理机制确定待推荐用户实体在目标域内的多个域内相似邻居；通过图注意力模型确定域内相似邻居的注意力权重；对域内相似邻居的注意力权重进行归一化处理，得到域内相似邻居的偏好注意力系数；基于各个域内相似邻居的偏好注意力系数的加权和，得到待推荐用户实体在目标域内的域内偏好特征。
在本发明一示例性实施例中，处理模块730可以采用以下方式基于源域实体向量，通过图注意力模型得到待推荐用户实体关于源域的跨域偏好特征：基于源域实体向量，通过随机游走机制确定待推荐用户实体在源域内的跨域相似邻居；通过图注意力模型确定跨域相似邻居的注意力权重；基于目标域实体向量，确定待推荐用户实体的原始注意力向量权重；对跨域相似邻居的注意力权重和待推荐用户实体的原始注意力向量权重进行全连接处理，得到待推荐用户实体关于源域的跨域偏好特征。
在本发明一示例性实施例中，处理模块730可以采用以下公式基于域内偏好特征和跨域偏好特征，得到待推荐用户实体的融合偏好特征：
Figure BDA0003670517150000211
其中，
Figure BDA0003670517150000221
表示待推荐用户实体的融合偏好特征；LeahkReLU[.]表示LeahkReLU激活函数处理；ξ表示偏好表示的平衡参数，用于控制跨域偏好特征的参与程度；
Figure BDA0003670517150000222
表示域内偏好特征；
Figure BDA0003670517150000223
表示跨域偏好特征。
在本发明一示例性实施例中，生成模块740可以采用以下方式基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序：基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制分别得到目标域中的待推荐用户实体的目标域用户节点层表示和待推荐商品实体的目标域商品节点层表示，以及源域中的源域用户实体的源域用户节点层表示和源域商品实体的源域商品节点层表示；对目标域中的目标域用户节点层表示和目标域商品节点层表示进行内积，得到待推荐用户实体关于待推荐商品实体的第一匹配值；对源域中的源域用户节点层表示和源域商品节点层表示进行内积，得到源域用户实体关于源域商品实体的第二匹配值；对第一匹配值和第二匹配值进行跨域正则化项处理，得到待推荐用户实体关于待推荐商品实体的推荐排序。
在本发明一示例性实施例中，生成模块740可以采用以下公式对第一匹配值和第二匹配值进行跨域正则化项处理，得到待推荐用户实体关于待推荐商品实体的推荐排序：
Figure BDA0003670517150000224
其中，LCBPR表示待推荐用户实体关于待推荐商品实体的推荐排序；κ和κ'分别表示源域和目标域中的训练样本；σ(·)表示Sigmoid函数；λ表示控制跨域相似偏好融合程度的正则化参数；
Figure BDA0003670517150000225
表示待推荐用户实体ut关于待推荐商品实体it的第一匹配值；
Figure BDA0003670517150000226
表示待推荐用户实体ut关于待推荐商品实体jt的第一匹配值；
Figure BDA0003670517150000231
表示源域用户实体us关于源域商品实体is的第二匹配值；
Figure BDA0003670517150000232
表示源域用户实体us关于源域商品实体js的第二匹配值。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(CommunicationsInterface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行跨域推荐方法，其中，所述方法应用于数据稀疏的目标域，所述目标域的目标域实体包括待推荐用户实体和待推荐商品实体，该方法包括：获取知识图谱和源域，其中，源域中的源域实体包括源域用户实体和源域商品实体；基于知识图谱，对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量；基于目标域实体向量和源域实体向量，通过图注意力模型得到待推荐用户实体的融合偏好特征，其中，图注意力模型通过预训练得到；基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的跨域推荐方法，其中，所述方法应用于数据稀疏的目标域，所述目标域的目标域实体包括待推荐用户实体和待推荐商品实体，该方法包括：获取知识图谱和源域，其中，源域中的源域实体包括源域用户实体和源域商品实体；基于知识图谱，对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量；基于目标域实体向量和源域实体向量，通过图注意力模型得到待推荐用户实体的融合偏好特征，其中，图注意力模型通过预训练得到；基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的跨域推荐方法，其中，所述方法应用于数据稀疏的目标域，所述目标域的目标域实体包括待推荐用户实体和待推荐商品实体，该方法包括：获取知识图谱和源域，其中，源域中的源域实体包括源域用户实体和源域商品实体；基于知识图谱，对目标域实体和源域实体进行转换，得到目标域实体向量和源域实体向量；基于目标域实体向量和源域实体向量，通过图注意力模型得到待推荐用户实体的融合偏好特征，其中，图注意力模型通过预训练得到；基于待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到待推荐用户实体关于待推荐商品实体的推荐排序。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (12)

1.一种跨域推荐方法，其特征在于，所述方法应用于数据稀疏的目标域，所述目标域的目标域实体包括待推荐用户实体和待推荐商品实体，所述方法包括：
获取知识图谱和源域，其中，所述源域中的源域实体包括源域用户实体和源域商品实体；
基于所述知识图谱，对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量；
基于所述目标域实体向量和所述源域实体向量，通过图注意力模型得到所述待推荐用户实体的融合偏好特征，其中，所述图注意力模型通过预训练得到；
基于所述待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序。
2.根据权利要求1所述的跨域推荐方法，其特征在于，所述基于所述知识图谱，对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量，具体包括：
基于所述知识图谱、所述目标域实体和所述源域实体，得到协同知识图谱，其中，所述协同知识图谱中包括所述目标域实体的数据和所述源域实体的数据；
基于所述协同知识图谱，通过知识表示模型对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量，其中，所述知识表示模型通过预训练得到。
3.根据权利要求1所述的跨域推荐方法，其特征在于，所述基于所述目标域实体向量和所述源域实体向量，通过图注意力模型得到所述待推荐用户实体的融合偏好特征，具体包括：
基于所述目标域实体向量，通过所述图注意力模型得到所述待推荐用户实体在所述目标域内的域内偏好特征；
基于所述源域实体向量，通过所述图注意力模型得到所述待推荐用户实体关于所述源域的跨域偏好特征；
基于所述域内偏好特征和所述跨域偏好特征，得到所述待推荐用户实体的融合偏好特征。
4.根据权利要求3所述的跨域推荐方法，其特征在于，所述基于所述目标域实体向量，通过所述图注意力模型得到所述待推荐用户实体在所述目标域内的域内偏好特征，具体包括：
基于所述目标域实体向量，通过多跳推理机制确定所述待推荐用户实体在所述目标域内的多个域内相似邻居；
通过所述图注意力模型确定所述域内相似邻居的注意力权重；
对所述域内相似邻居的注意力权重进行归一化处理，得到所述域内相似邻居的偏好注意力系数；
基于各个所述域内相似邻居的偏好注意力系数的加权和，得到所述待推荐用户实体在所述目标域内的域内偏好特征。
5.根据权利要求3所述的跨域推荐方法，其特征在于，所述基于所述源域实体向量，通过所述图注意力模型得到所述待推荐用户实体关于所述源域的跨域偏好特征，具体包括：
基于所述源域实体向量，通过随机游走机制确定所述待推荐用户实体在所述源域内的跨域相似邻居；
通过所述图注意力模型确定所述跨域相似邻居的注意力权重；
基于所述目标域实体向量，确定所述待推荐用户实体的原始注意力向量权重；
对所述跨域相似邻居的注意力权重和所述待推荐用户实体的原始注意力向量权重进行全连接处理，得到所述待推荐用户实体关于所述源域的跨域偏好特征。
6.根据权利要求3所述的跨域推荐方法，其特征在于，所述基于所述域内偏好特征和所述跨域偏好特征，得到所述待推荐用户实体的融合偏好特征采用以下公式确定：
Figure FDA0003670517140000031
其中，
Figure FDA0003670517140000032
表示所述待推荐用户实体的融合偏好特征；LeahkReLU[.]表示LeahkReLU激活函数处理；ξ表示偏好表示的平衡参数，用于控制所述跨域偏好特征的参与程度；
Figure FDA0003670517140000033
表示所述域内偏好特征；
Figure FDA0003670517140000034
表示所述跨域偏好特征。
7.根据权利要求1所述的跨域推荐方法，其特征在于，所述基于所述待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序，具体包括：
基于所述待推荐用户实体的融合偏好特征，通过所述跨域贝叶斯机制分别得到所述目标域中的所述待推荐用户实体的目标域用户节点层表示和所述待推荐商品实体的目标域商品节点层表示，以及所述源域中的所述源域用户实体的源域用户节点层表示和所述源域商品实体的源域商品节点层表示；
对所述目标域中的所述目标域用户节点层表示和所述目标域商品节点层表示进行内积，得到所述待推荐用户实体关于所述待推荐商品实体的第一匹配值；
对所述源域中的所述源域用户节点层表示和所述源域商品节点层表示进行内积，得到所述源域用户实体关于所述源域商品实体的第二匹配值；
对所述第一匹配值和所述第二匹配值进行跨域正则化项处理，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序。
8.根据权利要求7所述的跨域推荐方法，其特征在于，所述对所述第一匹配值和所述第二匹配值进行跨域正则化项处理，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序采用以下公式实现：
Figure FDA0003670517140000041
其中，LCBPR表示所述待推荐用户实体关于所述待推荐商品实体的推荐排序；κ和κ'分别表示所述源域和所述目标域中的训练样本；σ(·)表示Sigmoid函数；λ表示控制跨域相似偏好融合程度的正则化参数；
Figure FDA0003670517140000042
表示待推荐用户实体ut关于待推荐商品实体it的第一匹配值；
Figure FDA0003670517140000043
表示待推荐用户实体ut关于待推荐商品实体jt的第一匹配值；
Figure FDA0003670517140000044
表示源域用户实体us关于源域商品实体is的第二匹配值；
Figure FDA0003670517140000045
表示源域用户实体us关于源域商品实体js的第二匹配值。
9.一种跨域推荐装置，其特征在于，所述装置应用于数据稀疏的目标域，所述目标域的目标域实体包括待推荐用户实体和待推荐商品实体，所述装置包括：
获取模块，用于获取知识图谱和源域，其中，所述源域中的源域实体包括源域用户实体和源域商品实体；
转换模块，用于基于所述知识图谱，对所述目标域实体和所述源域实体进行转换，得到目标域实体向量和源域实体向量；
处理模块，用于基于所述目标域实体向量和所述源域实体向量，通过图注意力模型得到所述待推荐用户实体的融合偏好特征，其中，所述图注意力模型通过预训练得到；
生成模块，用于基于所述待推荐用户实体的融合偏好特征，通过跨域贝叶斯机制进行推荐，得到所述待推荐用户实体关于所述待推荐商品实体的推荐排序。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述的跨域推荐方法。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的跨域推荐方法。
12.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的跨域推荐方法。
CN202210614778.6A 2022-05-30 2022-05-30 跨域推荐方法、装置、电子设备及存储介质 Pending CN115098692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210614778.6A CN115098692A (zh) 2022-05-30 2022-05-30 跨域推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210614778.6A CN115098692A (zh) 2022-05-30 2022-05-30 跨域推荐方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115098692A true CN115098692A (zh) 2022-09-23

Family

ID=83289632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210614778.6A Pending CN115098692A (zh) 2022-05-30 2022-05-30 跨域推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115098692A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051224A (zh) * 2022-10-25 2023-05-02 重庆理工大学 联合互补知识迁移与目标域特征抽取的跨域推荐方法
CN116910573A (zh) * 2023-09-13 2023-10-20 中移(苏州)软件技术有限公司 异常诊断模型的训练方法及装置、电子设备和存储介质
WO2024139666A1 (zh) * 2022-12-26 2024-07-04 京东城市(北京)数字科技有限公司 双目标域推荐模型的训练方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051224A (zh) * 2022-10-25 2023-05-02 重庆理工大学 联合互补知识迁移与目标域特征抽取的跨域推荐方法
CN116051224B (zh) * 2022-10-25 2024-01-23 重庆理工大学 联合互补知识迁移与目标域特征抽取的跨域推荐方法
WO2024139666A1 (zh) * 2022-12-26 2024-07-04 京东城市(北京)数字科技有限公司 双目标域推荐模型的训练方法及装置
CN116910573A (zh) * 2023-09-13 2023-10-20 中移(苏州)软件技术有限公司 异常诊断模型的训练方法及装置、电子设备和存储介质
CN116910573B (zh) * 2023-09-13 2023-12-05 中移(苏州)软件技术有限公司 异常诊断模型的训练方法及装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
Yu et al. Generating reliable friends via adversarial training to improve social recommendation
CN115098692A (zh) 跨域推荐方法、装置、电子设备及存储介质
CN113590900A (zh) 一种融合动态知识图谱的序列推荐方法
CN108595533B (zh) 一种基于协同过滤的物品推荐方法、存储介质及服务器
CN113609398A (zh) 一种基于异构图神经网络的社交推荐方法
Alshmrany Adaptive learning style prediction in e-learning environment using levy flight distribution based CNN model
CN114510653B (zh) 社交群体推荐方法、***、设备及存储介质
CN112381179A (zh) 一种基于双层注意力机制的异质图分类方法
CN111949885A (zh) 一种面向旅游景点的个性化推荐方法
CN113806630A (zh) 基于注意力的多视角特征融合跨域推荐方法及装置
Zhang et al. A deep dual adversarial network for cross-domain recommendation
CN114756694B (zh) 基于知识图谱的推荐***、推荐方法和相关设备
CN116501956A (zh) 一种基于分层图对比学习的知识感知多域推荐方法及***
CN113590976A (zh) 一种空间自适应图卷积网络的推荐方法
CN115545160A (zh) 一种多学习行为协同的知识追踪方法及***
CN114595383A (zh) 一种基于会话序列的海洋环境数据推荐方法及***
CN113849725B (zh) 一种基于图注意力对抗网络的社会化推荐方法及***
Qi et al. Graph neural bandits
Wu et al. A federated deep learning framework for privacy-preserving consumer electronics recommendations
Meng et al. POI recommendation for occasional groups Based on hybrid graph neural networks
CN116992151A (zh) 一种基于双塔图卷积神经网络的在线课程推荐方法
CN116975686A (zh) 训练学生模型的方法、行为预测方法和装置
CN115564532A (zh) 序列推荐模型的训练方法及装置
Hu et al. Learning multi-expert distribution calibration for long-tailed video classification
CN115545833A (zh) 一种基于用户社交信息的推荐方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination