CN115618108B - 新零售模式下基于知识图谱的品牌推荐方法 - Google Patents
新零售模式下基于知识图谱的品牌推荐方法 Download PDFInfo
- Publication number
- CN115618108B CN115618108B CN202211305797.7A CN202211305797A CN115618108B CN 115618108 B CN115618108 B CN 115618108B CN 202211305797 A CN202211305797 A CN 202211305797A CN 115618108 B CN115618108 B CN 115618108B
- Authority
- CN
- China
- Prior art keywords
- user
- cigarette
- cigarettes
- knowledge graph
- vector
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 258
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 230000003993 interaction Effects 0.000 claims abstract description 32
- 238000013519 translation Methods 0.000 claims abstract description 24
- 238000005065 mining Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 98
- 230000006870 function Effects 0.000 claims description 28
- 230000014509 gene expression Effects 0.000 claims description 27
- 230000007246 mechanism Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 18
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract 4
- 238000010586 diagram Methods 0.000 description 4
- 235000019640 taste Nutrition 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000013604 expression vector Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 235000019505 tobacco product Nutrition 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F16/90—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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种新零售模式下基于知识图谱的卷烟品牌推荐方法,其包括:以用户、香烟和用户与香烟间的相关属性为节点,构建用户‑项目知识图谱;基于TransR翻译模型预测经过提议集增强预处理后的知识图谱中的缺失实体;根据用户‑香烟交互信息和偏好矩阵得到当前用户对卷烟的偏好信息;根据当前用户的隐式偏好信息和基于用户‑项目图知识图谱挖掘得到的节点间关系和基于用户‑项目知识图谱预测到的缺失实体,生成香烟推荐列表。本发明提供的新零售模式下基于知识图谱的卷烟品牌推荐方法,使用提议集对知识图谱进行补全并预测尾实体,并挖掘出隐式偏好,最终与知识图谱进行联合学习,保证知识图谱的完整性及用户与卷烟之间偏好的准确性。
Description
技术领域
本发明涉及卷烟推荐技术领域,尤其涉及一种新零售模式下基于知识图谱的卷烟品牌推荐方法。
背景技术
由于烟草产品的特殊性,传统零售的品牌推介的渠道比较局限,通过品牌经理借助零售户店面进行现场推介的方法已经不能满足要求。每一个走入店里的顾客其需求都是不同的,这就要求我们必须学会察言观色,热情主动相迎,通过顾客的目光及行为来判断其购买卷烟品牌的意向,了解其真实消费需求,让其成为我们商店永远的回头客,所以做到这一点也是非常不容易的。
在新零售模式下,烟草线下零售终端店可以依据新零售的特色利用大数据分析和推荐技术,智能化地向用户推荐卷烟、风格口感类似的个性化卷烟品牌,引导客户需求,提升用户体验,从而有针对性地营销,降低营销成本,提高收益。目前的卷烟品牌推荐方虽然引入知识图谱,以提升可解释性,但是并没有考虑图谱的完整性以及偏好的挖掘,很难做到个性化的推荐。
因此,亟需一种新零售模式下基于知识图谱的卷烟品牌推荐方法。
发明内容
本发明的目的是提供一种新零售模式下基于知识图谱的卷烟品牌推荐方法,以解决上述现有技术中的问题,使用提议集对知识图谱进行补全并预测尾实体,能够对知识图谱进行补全,并且通过用户-香烟交互的评分矩阵学习得到用户和香烟的向量表示,挖掘出更加精确的隐式偏好,最终与知识图谱进行联合学习,保证用户与卷烟构建的知识图谱的完整性以及用户与卷烟之间偏好的准确性。
本发明提供了一种新零售模式下基于知识图谱的卷烟品牌推荐方法,其中,包括:
以用户、香烟和用户与香烟之间的相关属性作为节点,构建用户-项目知识图谱,并通过提议集对所述用户-项目知识图谱进行增强预处理;
基于TransR翻译模型对经过提议集增强预处理后的所述用户-项目知识图谱中的缺失实体进行预测;
根据用户-香烟交互信息和偏好矩阵得到当前用户对卷烟的偏好信息,其中,所述用户-香烟交互信息表示与用户有交互历史的香烟信息,所述偏好矩阵表示用户对香烟的偏好信息;
根据所述当前用户的隐式偏好信息、基于所述用户-项目图知识图谱挖掘得到的节点间关系和基于所述用户-项目知识图谱预测到的缺失实体,生成香烟推荐列表。
如上所述的新零售模式下基于知识图谱的卷烟品牌推荐方法,其中,优选的是,在所述用户-项目知识图谱中,各节点之间的关系包括属性级关系和用户相关关系,并作为知识图谱的边,并且将所有知识图谱的边组成所述提议集,其中,所述属性级关系包括品牌或厂商,所述用户相关关系包括共同购买或共同查看。
如上所述的新零售模式下基于知识图谱的卷烟品牌推荐方法,其中,优选的是,所述基于TransR翻译模型对经过提议集增强预处理后的所述用户-项目知识图谱中的缺失实体进行预测,具体包括:
基于TransR翻译模型对经过提议集增强预处理后的所述用户-项目知识图谱中的实体和关系的表达进行学习;
根据实体和关系的学习结果,对经过提议集进行增强预处理后的所述用户-项目知识图谱中的缺失实体进行预测。
如上所述的新零售模式下基于知识图谱的卷烟品牌推荐方法,其中,优选的是,所述基于TransR翻译模型对经过提议集进行增强预处理后的所述用户-项目知识图谱中的实体和关系的表达进行学习,具体包括:
通过TransR翻译模型,将经过提议集进行增强预处理后的所述用户-项目知识图谱中的头实体和尾实体依据关系的变换矩阵映射到同一个向量空间中,以将每一种关系设定为一个独立的空间,并通过以下公式表示变换矩阵,以将头实体和尾实体映射到对应关系r的向量空间,
ehr=ehMr (1)
etr=etMr (2)
其中,Mr表示空间投影的矩阵,它和r本身的嵌入均是关系的表达,ehr表示通过投影矩阵Mr将原头实体向量eh映射到对应关系r的关系空间中,etr表示将尾实体et映射到对应关系r的关系空间中。
如上所述的新零售模式下基于知识图谱的卷烟品牌推荐方法,其中,优选的是,所述根据实体和关系的学习结果,对经过提议集进行增强预处理后的所述用户-项目知识图谱中的缺失实体进行预测,具体包括:
通过以下公式计算给定实体、各预测实体和对应关系三元组的评分,
将最小评分所对应的预测实体作为经过提议集进行增强预处理后的用户-项目知识图谱中的尾部实体。
如上所述的新零售模式下基于知识图谱的卷烟品牌推荐方法,其中,优选的是,所述根据用户-香烟交互信息和偏好矩阵得到当前用户对卷烟的偏好信息,具体包括:
通过注意力机制将用户和与用户有交互历史的香烟信息进行聚合,以得到新的用户表示;
根据用户与香烟有交互的原因确定偏好矩阵;
根据新的用户表示和香烟向量表示的加和向量与所述偏好矩阵中的偏好向量的相似度,确定当前用户的最大偏好信息。
如上所述的新零售模式下基于知识图谱的卷烟品牌推荐方法,其中,优选的是,所述通过注意力机制将用户和与用户有交互历史的香烟信息进行聚合,以得到新的用户表示,具体包括:
通过注意力机制将基于用户与项目的交互表得到的评分矩阵得到的用户表达信息和项目表达信息进行聚合,以得到新的用户表示,其中,所述交互表用于表示与用户有交互历史香烟的记录信息,并通过以下公式计算用户卷烟聚合向量,作为新的用户表示,
Wij=Softmax(LeakyReLU(Watt)(ui||vij)) (4)
其中,Wij表示通过注意力机制计算出来的权重矩阵,用来表征用户对不同香烟的喜好程度,ui表示用户的向量表达,vij表示与用户有交互历史的香烟的向量表达,Watt表示注意力机制的权重矩阵,||表示用户和香烟的拼接向量,LeakyReLU表示非线性的激活函数,通过Softmax函数计算注意力的权重,ur表示用户卷烟聚合向量,作为新的用户向量。
如上所述的新零售模式下基于知识图谱的卷烟品牌推荐方法,其中,优选的是,所述根据新的用户表示和香烟向量表示的加和向量与所述偏好矩阵中的偏好向量的相似度,确定当前用户的隐式偏好信息,具体包括:
根据不同香烟的相似度,通过以下公式计算当前用户对各香烟的评分分数,
其中,Scoreui表示用户u对香烟i的评分分数,i和j表示香烟,n表示香烟总数,sim(i,j)表示通过余弦相似度计算香烟i和j的相似度,Ruj表示用户u对香烟j的评分;
通过以下公式计算确定当前用户的隐式偏好信息p,
Sp∈P=(u+v)⊙p (7)
p=argmaxi(log(Si)+b) (8)
其中,u表示当前用户的新的用户表示,v表示与当前用户有交互历史的香烟向量表示,公式(7)中的p表示对应于偏好矩阵P中的一个向量,并根据数据集来确定偏好的数量,b表示偏置。
如上所述的新零售模式下基于知识图谱的卷烟品牌推荐方法,其中,优选的是,所述根据所述当前用户的隐式偏好信息、基于用户-项目图知识图谱挖掘得到的节点间关系和基于所述用户-项目知识图谱预测到的缺失实体,生成香烟推荐列表,具体包括:
其中,r表示知识图谱中的关系,wp表示将各种偏好p组合的总体权重矩阵,Mr表示空间投影的矩阵,
选择部分冷门香烟和热门香烟进行评分,根据评分结果,利用TopN推荐方法得到最终的香烟推荐列表。
如上所述的新零售模式下基于知识图谱的卷烟品牌推荐方法,其中,优选的是,所述选择部分冷门香烟和热门香烟进行评分,根据评分结果,利用TopN推荐方法得到最终的香烟推荐列表,具体包括:
对于热门香烟,通过公式(14)得到评分分数,所有的热门香烟进入香烟推荐列表,
对于冷门香烟,根据用户和香烟的嵌入表示,通过以下公式确定各香烟之间的相似性,
其中,S(x,y)表示从生成的用户和香烟的嵌入表示中重建成相似性函数,以得到相似性值;
通过所述相似性函数筛选出与向量内积后值差别小的香烟的特征表示;
根据公式(6)得到用户对通过相似性函数筛选出的冷门香烟的评分分数;
将冷门香烟的评分分数与各热门香烟的评分分数进行比较,若该冷门香烟的评分分数超过至少一个热门香烟的评分分数,则将该冷门香烟加入香烟推荐列表;
根据用户对相似香烟的偏好按照相似度加权平均分得到分数比较大的香烟数量,热门香烟和冷门香烟两者香烟列表数量总和为N;
再次根据公式(6)得到当前用户对当前筛选出来的数量总和为N的香烟列表中香烟的评分,并按照降序排列,得到最终的推荐列表;
并通过以下公式最终的整体目标损失函数:
其中,J表示交叉熵函数,y′表示公式S(u′,i′)计算的得出的相似性值,y为当前样本的标签,1代表正样本,0代表负样本,(u,i′)表示随机构造的负样本,y表示本身就存在的正确的样本集合,(u,i)∈y表示当前的(u,i)是正样本,而表示当前的(u,i′)不属于正确的样本,不带顶标的表示正样本,带顶标的表示负样本,∈后面的集合表示正样本集合,/>后面的集合表示负样本集合。
本发明提供一种新零售模式下基于知识图谱的卷烟品牌推荐方法,通过对经过提议集增强预处理后的知识图谱补全后,使用翻译模型TransR来学习语义信息,能够学习到更丰富的语义信息,这样能够预测出准确率更高的尾实体,解决了知识图谱表示学习中的一对多,多对多关系的嵌入;根据用户-香烟交互信息和偏好矩阵得到当前用户对卷烟的偏好信息,进而挖掘出更加符合真实情况的隐式偏好,最终与尾实体结合进行推荐,实现针对用户高精确率的个性化推荐;在用户与卷烟的评分矩阵中得到用户与卷烟的表示后引入注意力机制,得到用户与卷烟之间的聚合向量来挖掘隐式偏好,表达出用户对卷烟不同的偏好,通过与知识图谱表示学习结合得到端到端的推荐模型。
附图说明
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步描述,其中:
图1为本发明提供的新零售模式下基于知识图谱的卷烟品牌推荐方法实施例的流程图;
图2为经过提议集进行增强预处理后的用户-项目知识图谱的示意图;
图3为TransR翻译模型的示意图;
图4为本发明提供的新零售模式下基于知识图谱的卷烟品牌推荐方法实施例的偏好挖掘示意图;
图5为本发明提供的新零售模式下基于知识图谱的卷烟品牌推荐方法实施例的根据偏好进行卷烟推荐的示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现,不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整,并且向本领域技术人员充分表达本公开的范围。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分、数字表达式和数值应被解释为仅仅是示例性的,而不是作为限制。
本公开中使用的“第一”、“第二”:以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素,并不排除也涵盖其他要素的可能。“上”、“下”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
在本公开中,当描述到特定部件位于第一部件和第二部件之间时,在该特定部件与第一部件或第二部件之间可以存在居间部件,也可以不存在居间部件。当描述到特定部件连接其它部件时,该特定部件可以与所述其它部件直接连接而不具有居间部件,也可以不与所述其它部件直接连接而具有居间部件。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同,除非另外特别定义。还应当理解,在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为说明书的一部分。
目前,推荐方法中最常见的策略是协同过滤,它利用用户的历史交互记录,并分析用户的相似行为来进行推荐。然而,基于协同过滤的推荐方法通常存在交互数据的稀疏性和冷启动问题。研究人员通常引入外界的丰富信息来解决这些问题,例如:引入社交网络、物品属性、知识图谱等异构网络。其中,知识图谱被应用的更为广泛。在基于知识图谱的推荐任务中,用户和物品可以对应于图谱中的节点,而物品之间的关系则对应于图谱中的边,因此,知识图谱不仅能提供物品之间的深层次语义关系,提高推荐***的精度,而且能拓展用户的多元化的兴趣,为推荐***提供多样性与可解释性。目前为止,将知识图谱应用于推荐***的方法可以分为基于特征的方法、基于路径的方法、基于图的方法三种类型。基于特征的方法主要是从知识图谱中抽取一些用户和物品的属性作为特征,放入到传统的模型中,之引入了实体特征,没有引入关系特征。以新闻推荐为例的DKN,新闻标题和正文中通常存在大量的实体,实体间的语义关系可以有效地扩展用户兴趣。然而这种语义关系难以被传统方法(话题模型、词向量)发掘。它将这些新闻中的实体构建一个知识图谱子图,对子图通过翻译模型进行嵌入,通过将实体向量和标题词向量以及实体上下文向量经过KCNN框架融合,该方法成功将知识图谱和新闻推荐进行了融合。基于路径的方法将知识图谱视为一个异构信息网络(heterogeneous information network),然后构造物品之间的基于meta-path或meta-graph的特征。简单地说,meta-path是连接两个实体的一条特定的路径,比如“演员->电影->导演->电影->演员”这条meta-path可以连接两个演员,因此可以视为一种挖掘演员之间的潜在关系的方式。这类方法的优点是充分且直观地利用了知识图谱的网络结构,缺点是需要手动设计meta-path或meta-graph,这在实践中难以到达最优;同时,该类方法无法在实体不属于同一个领域的场景(例如新闻推荐)中应用,因为我们无法为这样的场景预定义meta-path或meta-graph。基于图的方法关注知识图谱中的节点与邻居之间的关联,常见的做法是将某个实体节点视为中心进行聚合,从而捕获节点与其邻居的特征。KGCN使用图卷积网络聚合邻居节点来获取中心节点的k-hop结构信息,同时,根据连接关系和特定用户得分对邻居加权来表示知识图谱的语义信息。NACF将注意力机制用于GCN中,先分别计算用户对历史交互物品的权重,然后使用图卷积网络对物品进行聚合,从而捕获用户的偏好。虽然知识图谱在推荐***中得到了广泛应用,但由于它具有高维和异构的特点,如何将知识图谱中的外界信息有效地应用于推荐任务中仍然具有很大的挑战性。目前的大多数研究人员将推荐***和知识图谱嵌入划分成两个独立的任务并分别在不同的两个向量空间中进行训练,这种方法虽然便于训练,但不同的向量空间带来的误差会降低模型的整体性能。
对于知识图谱补全,尽管有许多方法可以从文本中找到实体及其关系,但现有的KG还远未完成。最近对KG补全的研究表明,在保持图的结构知识的同时,学***移距离模型和语义匹配模型。TransE首先提出了平移距离模型的核心思想,即两个实体之间的关系对应于它们向量空间中的一个平移。尽管它简单有效,但有时会令人困惑,因为某些关系可以将一个实体转换为各种实体,即1对N问题。同样,还有其他N对1和N对N问题。为了解决这些问题,许多方法通过引入额外的超平面、向量空间、文本信息和关系路径来扩展TransE。第二组通过基于相似性的评分函数匹配实体和关系的语义表示来衡量事实的合理性。RESCAL将每个关系表示为一个矩阵,以捕获实体之间的组合语义,并利用双线性函数作为相似性度量。为了简化关系矩阵的学习,DistMult将它们限制为对角线,HolE定义了循环相关以将关系矩阵压缩为向量,而ComplEx为不对称关系引入了复值。另一类方法不是对组合关系进行建模,而是直接引入NN进行匹配。SME分别学习头部实体和尾部实体的关系特定层,然后将它们馈送到最终匹配层(例如,点生成),而NAM使用深度架构进行语义匹配。
现有的基于知识图谱的推荐方法的缺点是,一方面,基于知识图谱的推荐方法都是假设当前的知识图谱是完整的,但是在实际中知识图谱是不可能完整的,它缺少一定的实体和关系是常见的,不完整的知识图谱会缺失语义信息,对推荐结果造成严重的影响;另一方面,现有的基于知识图谱的推荐方法都是将推荐***和知识图谱嵌入划分成两个独立的任务并分别在不同的两个向量空间中进行训练,这种方法虽然便于训练,但不同的向量空间带来的误差会降低模型的整体性能,并且在推荐过程中并没有关注于挖掘用户与卷烟之间的隐式偏好,无法实现精准的个性化推荐。
有鉴于此,本发明对知识图谱进行补全,并挖掘到用户与卷烟之间的隐式偏好。如图1所示,本实施例提供的新零售模式下基于知识图谱的卷烟品牌推荐方法在实际执行过程中,具体包括:
步骤S1、以用户、香烟和用户与香烟之间的相关属性作为节点,构建用户-项目知识图谱(User-Item Graph),并通过提议集对所述用户-项目知识图谱进行增强预处理。
其中,如图2所示,在所述用户-项目知识图谱中,各节点之间的关系包括属性级关系和用户相关关系,并作为知识图谱的边,并且将所有知识图谱的边组成所述提议集,其中,所述属性级关系包括品牌或厂商,所述用户相关关系包括共同购买或共同查看。
步骤S2、基于TransR翻译模型对经过提议集增强预处理后的所述用户-项目知识图谱中的缺失实体进行预测。
在本发明的新零售模式下基于知识图谱的卷烟品牌推荐方法的一种实施方式中,所述步骤S2具体可以包括:
步骤S21、基于TransR翻译模型对经过提议集增强预处理后的所述用户-项目知识图谱中的实体和关系的表达进行学习。
具体地,通过TransR翻译模型,将经过提议集增强预处理后的所述用户-项目知识图谱中的头实体和尾实体依据关系的变换矩阵映射到同一个向量空间中,以将每一种关系设定为一个独立的空间,并通过以下公式表示变换矩阵,以将头实体和尾实体映射到对应关系r的向量空间,
ehr=ehMr (1)
etr=etMr (2)
其中,Mr表示空间投影的矩阵,它和r本身的嵌入均是关系的表达,ehr表示通过投影矩阵Mr将原头实体向量eh映射到对应关系r的关系空间中,etr表示将尾实体et映射到对应关系r的关系空间中。
如图3所示,将知识增强的基于翻译的用户偏好模型(KTUP)中原本的TransH改为TransR翻译模型,TransR模型在两个不同的空间,即实体空间和多个关系空间(关系特定的实体空间)中建模实体和关系,并在对应的关系空间中进行转换会有更加好的效果。虽然TransH模型使每个实体在不同关系下拥有了不同的表示,但它仍然坚持实体和关系处于相同的语义空间中,这在一定程度上限制了TransH的表示能力,但是一个实体是多种属性的综合体,不同关系关注实体的不同属性,而不同的关系拥有不同的语义空间。TransH的主要技术是解决TransE不能很好地处理1-n、n-1及n-n这样的复杂关系的问题,因此在整体数据集上Link Prediction的提升并不大,而在属性相似的实体的关联类上的预测准确率有清一色的提升。但是对于仅仅将头尾实体投影到关系所在的超平面中对于多对多关系仍然不能完全满足,应为在同一个超平面中所能决定的向量相对于空间来说会少很多,对于推荐***中更多关系的融合会导致出现很多相似的头实体或者尾实体从而影响到推荐的精确性,通过将头尾实体映射到整个空间中能够有更多的向量表示,有鉴于此,本发明通过TransR翻译模型来学习用户-项目知识图谱中的实体和关系的表达。具体而言,本发明选择将头实体和尾实体依据关系的变换矩阵映射到同一个向量空间中,将每一种关系设定为自己一个独立的空间,这样能够避免相似的偏好或者关系嵌入得到的特征向量过于相似,如公式(1)和公式(2)所示。
步骤S22、根据实体和关系的学习结果,对经过提议集进行增强预处理后的所述用户-项目知识图谱中的缺失实体进行预测。
在本发明的新零售模式下基于知识图谱的卷烟品牌推荐方法的一种实施方式中,所述步骤S22具体可以包括:
步骤S221、通过以下公式计算给定实体、各预测实体和对应关系三元组的评分,
步骤S222、将最小评分所对应的预测实体作为经过提议集进行增强预处理后的用户-项目知识图谱中的尾部实体。
对于三元组的评分,真实的三元组的评分越小,反之,越大,训练也是常规的随机梯度下降(Stochastic Gradient Descent,SGD)。这一过程后最重要的就是预测知识图谱中缺失的头或尾实体,给定(eh,r),在剩余相关实体集合中找到相对应的N个实体,使得f(eh,et,r)最小,因此,可将这N个实体作为给定缺失三元组的尾实体et。本发明通过引入提议集和TransR模型,将特定的关系下的头尾实体映射到关系空间中,在特定的关系下,得到的尾实体会富含当前关系的语义信息,而有助于进行后续的偏好挖掘。
步骤S3、根据用户-香烟交互信息和偏好矩阵得到当前用户对卷烟的偏好信息,其中,所述用户-香烟交互信息表示与用户有交互历史的香烟信息,所述偏好矩阵表示用户对香烟的偏好信息。
在本发明的新零售模式下基于知识图谱的卷烟品牌推荐方法的一种实施方式中,所述步骤S3具体可以包括:
步骤S31、通过注意力机制将用户和与用户有交互历史的香烟信息进行聚合,以得到新的用户表示。
具体地,如图4所示,通过注意力机制将基于用户与项目的交互表得到的评分矩阵得到的用户表达信息和项目表达信息进行聚合,以得到新的用户表示,其中,所述交互表用于表示与用户有交互历史香烟的记录信息,并通过以下公式计算用户卷烟聚合向量,作为新的用户表示,
Wij=Softmax(LeakyReLU(Watt)(ui||vij)) (4)
其中,Wij表示通过注意力机制计算出来的权重矩阵,用来表征用户对不同香烟的喜好程度,ui表示用户的向量表达,vij表示与用户有交互历史的香烟的向量表达,Watt表示注意力机制的权重矩阵,||表示用户和香烟的拼接向量,LeakyReLU表示非线性的激活函数,通过Softmax函数计算注意力的权重,ur表示用户卷烟聚合向量,作为新的用户向量。
本发明在对隐含的偏好进行挖掘时,通过注意力机制将基于与用户对应的项目交互表得到的评分矩阵(例如为用户的买过的香烟品牌的得分)中的用户表达u和项目表达i的信息进行聚合,根据此机制来得到用户对于不同香烟的偏好组合更多的信息,能够通过特征向量得到更好的偏好。具体过程如图4所示。
步骤S32、根据用户与香烟有交互的原因确定偏好矩阵。
用户偏好是针对香烟的,在具体实现中可以根据数据的统计分析结果进行大致的分类,例如产地、厂商、口感、气味等偏好设置。根据用户与香烟之间的关系来得到当前用户对卷烟的偏好信息,其也是一个向量表示,例如用户购买过玉溪,需要挖掘出购买香烟的偏好,例如喜欢这个香烟的气味,口感等等。简而言之就是购买这种香烟的理由,这是一种隐式的关系,这个偏好矩阵P会作为参数在模型中训练获得,本发明在一些实施方式中,可以通过数据研究对用户购买香烟的偏好个数设置为5个。
步骤S33、根据新的用户表示和香烟向量表示的加和向量与所述偏好矩阵中的偏好向量的相似度,确定当前用户的最大偏好信息。
根据图5可知,依据尾实体预测和偏好来进行香烟推荐,在图5中可以看到,实线连接的是用户已经购买过的香烟,通过构建的经过提议集增强预处理后的知识图谱在TransR翻译模型中训练进行尾实体预测,虚线连接的则是通过尾实体预测得到的香烟(可以有很多待推荐的香烟,图中只是举例),这些实线或者虚线代表关系,其中蕴含着偏好的语义信息,可以通过挖掘出的偏好来推荐与偏好有密切关系的香烟。当知道用户为什么要买这个类型的香烟我们就能根据用户的偏好来进行精确的个性化推荐。给定一对用户香烟交互对(u,v),其中是通过评分矩阵学习到的用户u和项目v的向量表达,其中蕴含了用户的偏好,通过向量之间的内积得到相似度进而找到最大的偏好p。
在本发明的新零售模式下基于知识图谱的卷烟品牌推荐方法的一种实施方式中,所述步骤S33具体可以包括:
步骤S331、根据不同香烟的相似度,通过以下公式计算当前用户对各香烟的评分分数,
其中,Scoreui表示用户u对香烟i的评分分数,i和j表示香烟,n表示香烟总数,sim(i,j)表示通过余弦相似度计算香烟i和j的相似度,Ruj表示用户u对香烟j的评分。
根据评分矩阵计算用户对相似香烟的偏好按照相似度加权平均分,通过分数降序选出分数大的相似的香烟作为推荐候选。
步骤S332、通过以下公式计算确定当前用户的隐式偏好信息p,
Sp∈P=(u+v)⊙p(7)
p=argmaxi(log(Si)+b)(8)
其中,u表示当前用户的新的用户表示,v表示与当前用户有交互历史的香烟向量表示,公式(7)中的p表示对应于偏好矩阵P中的一个向量,并根据数据集来确定偏好的数量,b表示偏置。
在挖掘潜在偏好时,首先计算(u,v)与p的相似度,并且找到相似度结果最大的偏好p,作为当前用户对卷烟的偏好表达;通过偏置b,可以增加函数灵活性,提高拟合能力。
步骤S4、根据所述当前用户的隐式偏好信息、基于所述用户-项目图知识图谱挖掘得到的节点间关系和基于所述用户-项目知识图谱预测到的缺失实体,生成香烟推荐列表。
在前面的步骤S31中,将评分矩阵中学习到的用户和项目表达向量通过注意力机制得到用户卷烟聚合向量(即用户的混和特征向量),其中蕴含了用户对香烟的偏好以及购买过的香烟信息ur′,在此基础上,在步骤S41中,整合TransR学习得到的关系r以及挖掘到的用户香烟之间的隐式偏好p来得到该用户最终的偏好表达。在本发明的新零售模式下基于知识图谱的卷烟品牌推荐方法的一种实施方式中,所述步骤S4具体可以包括:
其中,r表示知识图谱中的关系,wp表示将各种偏好p组合的总体权重矩阵,Mr表示空间投影的矩阵。
步骤S45、选择部分冷门香烟和热门香烟进行评分,根据评分结果,利用TopN推荐方法得到最终的香烟推荐列表。
在本发明的新零售模式下基于知识图谱的卷烟品牌推荐方法的一种实施方式中,所述步骤S45具体可以包括:
步骤S451、对于热门香烟,通过公式(14)得到评分分数,所有的热门香烟进入香烟推荐列表。
步骤S452、对于冷门香烟,根据用户和香烟的嵌入表示,通过以下公式确定各香烟之间的相似性,
其中,S(x,y)表示从生成的用户和香烟的嵌入表示中重建成相似性函数,以得到相似性值。
步骤S453、通过所述相似性函数筛选出与向量内积后值差别小的香烟的特征表示。
本发明通过设定链接预测定义相似性函数来实现冷门香烟的推荐。
步骤S454、根据公式(6)得到用户对通过相似性函数筛选出的冷门香烟的评分分数。
步骤S455、将冷门香烟的评分分数与各热门香烟的评分分数进行比较,若该冷门香烟的评分分数超过至少一个热门香烟的评分分数,则将该冷门香烟加入香烟推荐列表。
步骤S456、根据用户对相似香烟的偏好按照相似度加权平均分得到分数比较大的香烟数量,热门香烟和冷门香烟两者香烟列表数量总和为N。
步骤S457、再次根据公式(6)得到当前用户对当前筛选出来的数量总和为N的香烟列表中香烟的评分,并按照降序排列,得到最终的推荐列表。
步骤S458、通过以下公式最终的整体目标损失函数:
其中,J表示交叉熵函数,y′表示公式S(u′,i′)计算的得出的相似性值,y为当前样本的标签,1代表正样本,0代表负样本,(u,i′)表示随机构造的负样本,y表示本身就存在的正确的样本集合,(u,i)∈y表示当前的(u,i)是正样本,而表示当前的(u,i′)不属于正确的样本,不带顶标的表示正样本,带顶标的表示负样本,∈后面的集合表示正样本集合,/>后面的集合表示负样本集合。
本发明实施例提供的新零售模式下基于知识图谱的卷烟品牌推荐方法,通过对经过提议集增强预处理后的知识图谱补全后,使用翻译模型TransR来学习语义信息,能够学习到更丰富的语义信息,这样能够预测出准确率更高的尾实体,解决了知识图谱表示学习中的一对多,多对多关系的嵌入;根据用户-香烟交互信息和偏好矩阵得到当前用户对卷烟的偏好信息,进而挖掘出更加符合真实情况的隐式偏好,最终与尾实体结合进行推荐,实现针对用户高精确率的个性化推荐;在用户与卷烟的评分矩阵中得到用户与卷烟的表示后引入注意力机制,得到用户与卷烟之间的聚合向量来挖掘隐式偏好,表达出用户对卷烟不同的偏好,通过与知识图谱表示学习结合得到端到端的推荐模型。
至此,已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。
Claims (8)
1.一种新零售模式下基于知识图谱的品牌推荐方法,其特征在于,包括:
以用户、香烟和用户与香烟之间的相关属性作为节点,构建用户-项目知识图谱,并通过提议集对所述用户-项目知识图谱进行增强预处理;
基于TransR翻译模型对经过提议集增强预处理后的所述用户-项目知识图谱中的缺失实体进行预测;
根据用户-香烟交互信息和偏好矩阵得到当前用户对卷烟的偏好信息,其中,所述用户-香烟交互信息表示与用户有交互历史的香烟信息,所述偏好矩阵表示用户对香烟的偏好信息;
根据所述当前用户的隐式偏好信息、基于所述用户-项目图知识图谱挖掘得到的节点间关系和基于所述用户-项目知识图谱预测到的缺失实体,生成香烟推荐列表,
所述根据用户-香烟交互信息和偏好矩阵得到当前用户对卷烟的偏好信息,具体包括:
通过注意力机制将用户和与用户有交互历史的香烟信息进行聚合,以得到新的用户表示;
根据用户与香烟有交互的原因确定偏好矩阵;
根据新的用户表示和香烟向量表示的加和向量与所述偏好矩阵中的偏好向量的相似度,确定当前用户的最大偏好信息,
所述通过注意力机制将用户和与用户有交互历史的香烟信息进行聚合,以得到新的用户表示,具体包括:
通过注意力机制将基于用户与项目的交互表得到的评分矩阵得到的用户表达信息和项目表达信息进行聚合,以得到新的用户表示,其中,所述交互表用于表示与用户有交互历史香烟的记录信息,并通过以下公式计算用户卷烟聚合向量,作为新的用户表示,
Wij=Soft max(Leaky ReLU(Watt)(ui||vij)) (1)
其中,Wij表示通过注意力机制计算出来的权重矩阵,用来表征用户对不同香烟的喜好程度,ui表示用户的向量表达,vij表示与用户有交互历史的香烟的向量表达,Watt表示注意力机制的权重矩阵,||表示用户和香烟的拼接向量,Leaky ReLU表示非线性的激活函数,通过Softmax函数计算注意力的权重,ur表示用户卷烟聚合向量,作为新的用户向量。
2.根据权利要求1所述的新零售模式下基于知识图谱的品牌推荐方法,其特征在于,在所述用户-项目知识图谱中,各节点之间的关系包括属性级关系和用户相关关系,并作为知识图谱的边,并且将所有知识图谱的边组成所述提议集,其中,所述属性级关系包括品牌或厂商,所述用户相关关系包括共同购买或共同查看。
3.根据权利要求1所述的新零售模式下基于知识图谱的品牌推荐方法,其特征在于,所述基于TransR翻译模型对经过提议集增强预处理后的所述用户-项目知识图谱中的缺失实体进行预测,具体包括:
基于TransR翻译模型对经过提议集进行增强预处理后的所述用户-项目知识图谱中的实体和关系的表达进行学习;
根据实体和关系的学习结果,对经过提议集进行增强预处理后的所述用户-项目知识图谱中的缺失实体进行预测。
4.根据权利要求3所述的新零售模式下基于知识图谱的品牌推荐方法,其特征在于,所述基于TransR翻译模型对经过提议集进行增强预处理后的所述用户-项目知识图谱中的实体和关系的表达进行学习,具体包括:
通过TransR翻译模型,将经过提议集增强预处理后的所述用户-项目知识图谱中的头实体和尾实体依据关系的变换矩阵映射到同一个向量空间中,以将每一种关系设定为一个独立的空间,并通过以下公式表示变换矩阵,以将头实体和尾实体映射到对应关系r的向量空间,
ehr=ehMr (3)
etr=etMr (4)
其中,Mr表示空间投影的矩阵,它和r本身的嵌入均是关系的表达,ehr表示通过投影矩阵Mr将原头实体向量eh映射到对应关系r的关系空间中,etr表示将尾实体et映射到对应关系r的关系空间中。
6.根据权利要求1所述的新零售模式下基于知识图谱的品牌推荐方法,其特征在于,所述根据新的用户表示和香烟向量表示的加和向量与所述偏好矩阵中的偏好向量的相似度,确定当前用户的隐式偏好信息,具体包括:
根据不同香烟的相似度,通过以下公式计算当前用户对各香烟的评分分数,
其中,Scoreui表示用户u对香烟i的评分分数,i和j表示香烟,n表示香烟总数,sim(i,j)表示通过余弦相似度计算香烟i和j的相似度,Ruj表示用户u对香烟j的评分;
通过以下公式计算确定当前用户的隐式偏好信息p,
Sp∈P=(u+v)⊙p (7)
p=argmaxi(log(Si)+b) (8)
其中,u表示当前用户的新的用户表示,v表示与当前用户有交互历史的香烟向量表示,公式(7)中的p表示对应于偏好矩阵P中的一个向量,并根据数据集来确定偏好的数量,b表示偏置。
7.根据权利要求6所述的新零售模式下基于知识图谱的品牌推荐方法,其特征在于,所述根据所述当前用户的隐式偏好信息、基于所述用户-项目图知识图谱挖掘得到的节点间关系和和基于所述用户-项目知识图谱预测到的缺失实体,生成香烟推荐列表,具体包括:
其中,r表示知识图谱中的关系,wp表示将各种偏好p组合的总体权重矩阵,Mr表示空间投影的矩阵,
选择部分冷门香烟和热门香烟进行评分,根据评分结果,利用TopN推荐方法得到最终的香烟推荐列表。
8.根据权利要求7所述的新零售模式下基于知识图谱的品牌推荐方法,其特征在于,所述选择部分冷门香烟和热门香烟进行评分,根据评分结果,利用TopN推荐方法得到最终的香烟推荐列表,具体包括:
对于热门香烟,通过公式(14)得到评分分数,所有的热门香烟进入香烟推荐列表,
对于冷门香烟,根据用户和香烟的嵌入表示,通过以下公式确定各香烟之间的相似性,
其中,S(x,y)表示从生成的用户和香烟的嵌入表示中重建成相似性函数,以得到相似性值;
通过所述相似性函数筛选出与向量内积后值差别小的香烟的特征表示;
根据公式(6)得到用户对通过相似性函数筛选出的冷门香烟的评分分数;
将冷门香烟的评分分数与各热门香烟的评分分数进行比较,若该冷门香烟的评分分数超过至少一个热门香烟的评分分数,则将该冷门香烟加入香烟推荐列表;
根据用户对相似香烟的偏好按照相似度加权平均分得到分数比较大的香烟数量,热门香烟和冷门香烟两者香烟列表数量总和为N;
再次根据公式(6)得到当前用户对当前筛选出来的数量总和为N的香烟列表中香烟的评分,并按照降序排列,得到最终的推荐列表;
并通过以下公式最终的整体目标损失函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211305797.7A CN115618108B (zh) | 2022-10-24 | 2022-10-24 | 新零售模式下基于知识图谱的品牌推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211305797.7A CN115618108B (zh) | 2022-10-24 | 2022-10-24 | 新零售模式下基于知识图谱的品牌推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115618108A CN115618108A (zh) | 2023-01-17 |
CN115618108B true CN115618108B (zh) | 2023-05-26 |
Family
ID=84864892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211305797.7A Active CN115618108B (zh) | 2022-10-24 | 2022-10-24 | 新零售模式下基于知识图谱的品牌推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618108B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308683B (zh) * | 2023-05-17 | 2023-08-04 | 武汉纺织大学 | 基于知识图谱的服装品牌定位推荐方法、设备及存储介质 |
CN116756203B (zh) * | 2023-06-13 | 2024-06-11 | 淮阴工学院 | 一种基于碳减排目标的知识图谱驱动冷链物流设备选型方法及装置 |
CN117034126A (zh) * | 2023-10-09 | 2023-11-10 | 广东电力交易中心有限责任公司 | 基于知识图谱的绿色电力用户分类与特征提取方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507796A (zh) * | 2020-04-07 | 2020-08-07 | 桂林电子科技大学 | 一种基于知识图谱的网上商城商品推荐方法 |
CN113158033A (zh) * | 2021-03-19 | 2021-07-23 | 浙江工业大学 | 一种基于知识图谱偏好传播的协同推荐模型构建方法 |
CN113190593A (zh) * | 2021-05-12 | 2021-07-30 | 《中国学术期刊(光盘版)》电子杂志社有限公司 | 一种基于数字人文知识图谱的搜索推荐方法 |
CN113342994A (zh) * | 2021-07-05 | 2021-09-03 | 成都信息工程大学 | 一种基于无采样协作知识图网络的推荐*** |
CN113934936A (zh) * | 2021-10-22 | 2022-01-14 | 南京邮电大学 | 融合知识图卷积网络和用户偏好的推荐算法 |
CN114186119A (zh) * | 2020-09-15 | 2022-03-15 | 阿里巴巴集团控股有限公司 | 信息推荐方法及装置和构建邻域知识图谱的方法及装置 |
CN114399251A (zh) * | 2021-12-30 | 2022-04-26 | 淮阴工学院 | 基于语义网和簇偏好的冷链物流推荐方法及装置 |
WO2022116537A1 (zh) * | 2020-12-04 | 2022-06-09 | 上海帜讯信息技术股份有限公司 | 一种资讯推荐方法、装置、电子设备和存储介质 |
CN114820139A (zh) * | 2022-05-25 | 2022-07-29 | 重庆大学 | 一种基于知识图谱路径推理的多用户推荐*** |
CN114817712A (zh) * | 2022-04-15 | 2022-07-29 | 华南理工大学 | 一种基于多任务学习和知识图谱增强的项目推荐方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11017038B2 (en) * | 2017-09-29 | 2021-05-25 | International Business Machines Corporation | Identification and evaluation white space target entity for transaction operations |
CN110955834B (zh) * | 2019-11-27 | 2023-07-07 | 西北工业大学 | 一种知识图谱驱动的个性化精准推荐方法 |
-
2022
- 2022-10-24 CN CN202211305797.7A patent/CN115618108B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507796A (zh) * | 2020-04-07 | 2020-08-07 | 桂林电子科技大学 | 一种基于知识图谱的网上商城商品推荐方法 |
CN114186119A (zh) * | 2020-09-15 | 2022-03-15 | 阿里巴巴集团控股有限公司 | 信息推荐方法及装置和构建邻域知识图谱的方法及装置 |
WO2022116537A1 (zh) * | 2020-12-04 | 2022-06-09 | 上海帜讯信息技术股份有限公司 | 一种资讯推荐方法、装置、电子设备和存储介质 |
CN113158033A (zh) * | 2021-03-19 | 2021-07-23 | 浙江工业大学 | 一种基于知识图谱偏好传播的协同推荐模型构建方法 |
CN113190593A (zh) * | 2021-05-12 | 2021-07-30 | 《中国学术期刊(光盘版)》电子杂志社有限公司 | 一种基于数字人文知识图谱的搜索推荐方法 |
CN113342994A (zh) * | 2021-07-05 | 2021-09-03 | 成都信息工程大学 | 一种基于无采样协作知识图网络的推荐*** |
CN113934936A (zh) * | 2021-10-22 | 2022-01-14 | 南京邮电大学 | 融合知识图卷积网络和用户偏好的推荐算法 |
CN114399251A (zh) * | 2021-12-30 | 2022-04-26 | 淮阴工学院 | 基于语义网和簇偏好的冷链物流推荐方法及装置 |
CN114817712A (zh) * | 2022-04-15 | 2022-07-29 | 华南理工大学 | 一种基于多任务学习和知识图谱增强的项目推荐方法 |
CN114820139A (zh) * | 2022-05-25 | 2022-07-29 | 重庆大学 | 一种基于知识图谱路径推理的多用户推荐*** |
Non-Patent Citations (1)
Title |
---|
融合实体描述及类型的知识图谱表示学习方法;杜文倩;李弼程;王瑞;;中文信息学报(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115618108A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115618108B (zh) | 新零售模式下基于知识图谱的品牌推荐方法 | |
Liu et al. | Trust beyond reputation: A computational trust model based on stereotypes | |
CN112364976A (zh) | 基于会话推荐***的用户偏好预测方法 | |
CN112541132A (zh) | 基于多视图知识表示的跨领域推荐方法 | |
CN113051468B (zh) | 一种基于知识图谱和强化学习的电影推荐方法及*** | |
CN113918834B (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
CN112507246A (zh) | 一种融合全局和局部社会兴趣影响的社会推荐方法 | |
Zarzour et al. | RecDNNing: a recommender system using deep neural network with user and item embeddings | |
CN115329215A (zh) | 异构网络中基于自适应动态知识图谱的推荐方法及*** | |
CN116842258A (zh) | 一种基于元路径的上下文进行特征增强的群组推荐方法 | |
Khanduri et al. | Hybrid recommendation system with graph based and collaborative filtering recommendation systems | |
Zhang et al. | Graph-aware collaborative reasoning for click-through rate prediction | |
Li et al. | A knowledge-based recommendation model utilizing formal concept analysis and association | |
Zhang et al. | Knowledge graph driven recommendation model of graph neural network | |
Luo et al. | A hybrid user profile model for personalized recommender system with linked open data | |
CN116401450A (zh) | 一种基于知识图谱的推荐方法、装置及计算机设备 | |
Chen et al. | Trust-based collaborative filtering algorithm in social network | |
CN115391555A (zh) | 一种用户感知的知识图谱推荐***及方法 | |
Yang et al. | A human-in-the-loop approach to social behavioral targeting | |
CN114970854A (zh) | 一种基于时序邻域聚合的多视野动态网络链接预测方法及*** | |
CN114329222A (zh) | 一种融合注意力机制和双端知识图谱的电影推荐方法 | |
Zhang et al. | Multi-dimensional recommendation scheme for social networks considering a user relationship strength perspective | |
Fu et al. | Preference-aware heterogeneous graph neural networks for recommendation | |
Wang et al. | [Retracted] Research on the Spectral Domain Graph Convolution Collaborative Filtering Algorithm Based on Reinforcement Learning and Chebyshev | |
Jia et al. | A hybrid user recommendation scheme based on collaborative filtering and association rules |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |