[发明专利]一种基于知识增强神经网络的线上内容流行度预测方法

权利要求书

1.一种基于知识增强神经网络的线上内容流行度预测方法，其特征在于，包括：

将线上物品和已有KB进行连接，并将KB信息用于流行度预测，所述KB指知识库；

利用一个隐含向量来表示KB实体，并对KB信息进行编码；

基于LSTM网络构建预测模型，该预测模型能够自适应地与目标物品的KB嵌入向量以及具有相似实体信息物品的流行动态序列相结合，并通过两个层面合并KB信息，进行扩展；

基于LSTM网络构建预测模型包括：

将已经获得的流行度数值作为每一个时间点t的输入其中，表示：在时间t下，每个物品i都会得到一个衡量其在当前时间段内的流行度数值；n和m两个参数定义了所述模型的预测目标；对于物品i，当LSTM接收到n个输入值，它会利用基于物品i第n个隐藏状态向量的函数g(·)对接下来m个时间段的增量值进行预测；

所述KB信息的整合方式包括两种：利用KB Embedding增强预测以及利用KB Neighbors增强预测；

所述KB Embedding增强预测包括：

将KB定义为一个实体集合和一个关系集合KB三元组e₁,r,e₂表示实体集的两个实体e₁和e₂之间存在关系集中的一个关系r，该KB三元组指出KB中存储的一个事实；

KB Embedding方法使用transE模型以最小化KB三元组的损失函数从而获得KB的嵌入向量，方法中使用KB中全部的三元组来训练transE模型，而不是仅仅使用与连接实体相关的三元组；

将KB的嵌入向量整合进基于LSTM网络构建的预测模型，对于流行度预测，为了利用KB嵌入向量e_i，首先将其转化为一个更加适合当前目标的向量，利用下列公式进行基于门的KB Embeddings整合：

其中，MLP(·)是一个标准多层感知机，包含两个隐层，使用ReLu作为激活函数；

所述KB Neighbors增强预测包括：

利用具有相似实体信息的相关物品的流行度动态来提升流行度预测结果,基于习得的KB嵌入向量，利用实体嵌入向量的距离来计算其物品相关度，其中，实体嵌入向量的距离能被灵活地设置为任意向量距离计算公式。

2.根据权利要求1所述的基于知识增强神经网络的线上内容流行度预测方法，其特征在于，对于确定的KB Neighbors，利用注意力机制对其信息进行加权，最终得到KBNeighbors时间序列的组合结果。

3.根据权利要求2所述的基于知识增强神经网络的线上内容流行度预测方法，其特征在于，最终表示物品流行度预测值的向量是利用目标物品自身的信息得到的向量和利用其KB Neighbors的信息得到的向量的级联结果；其中，是仅使用目标物品自身信息习得的表示；是使用k个KB Neighbors信息习得的表示。