[发明专利]一种融合知识图谱表示学习和偏置矩阵分解的推荐方法

权利要求书

1.一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于：

1)从IMDB电影资料库中获取用户、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,建立一个推荐项目知识图谱；

2)根据Movienlens数据集中，用户对项目实体的评分构建用户项目交互矩阵，将项目实体与知识图谱中的推荐项目进行匹配；

3)对构建的推荐项目知识图谱，通过TransR模型训练得到推荐项目及关系的向量表达；

4)利用推荐项目及关系的向量表达，通过余弦相似度计算推荐项目与待预测项目之间的相似度，选取最相似的k个近邻推荐项目融入偏置矩阵分解模型；

5)通过偏置矩阵分解模型求解矩阵分解后的用户特征矩阵与推荐项目特征矩阵，并计算得出用户对推荐项目的预测评分；

6)将预测评分高的推荐项目推荐给用户。

2.如权利要求1所述的一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于，步骤1)中，所述推荐项目知识图谱采用抓取IMDB电影资料库的方式建立，对数据结构化之后进行知识抽取，抽取的数据以三元组的形式存储。

3.如权利要求1所述的一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于，步骤2)中，采用实体链接方法将Movienlens数据集中的每部电影即项目实体映射到推荐项目知识图谱中。

4.如权利要求1所述的一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于，步骤3)具体包括：

3.1)将推荐项目知识图谱中的用户和推荐项目分别表示成用户向量和推荐项目向量，同时，将推荐项目知识图谱中用户对推荐项目的喜爱程度也表示成用户与推荐项目之间的关系向量；

3.2)利用TransR模型建立用户向量、推荐项目向量、以及用户和推荐项目之间关系向量的损失函数，并通过最小化函数，使其循环收敛到最优；模型训练完成后，可得到推荐项目及关系的向量表达。

5.如权利要求1所述的一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于，步骤4)中，余弦相似度函数的计算公式为：

其中，l表示TransR模型训练出来的推荐项目向量的维度；v_jl表示第j个推荐项目的l维实体；v_kl表示第k个待预测项目的l维实体。

6.如权利要求1所述的一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于，步骤4)中，对相似度的计算结果进行排序，选取最相似的k个近邻推荐项目。

7.如权利要求1所述的一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，其特征在于，步骤5)中，使用梯度下降算法最小化目标函数来求解用户特征矩阵和推荐项目特征矩阵，根据用户特征矩阵与推荐项目特征矩阵进行预测用户对推荐项目的评分。