[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

说明书

本发明提出一种融合知识图谱表示学习和偏置矩阵分解的推荐方法，结合了知识表示学习、基于偏置矩阵分解和梯度下降的优化方法。首先，通过现有知识库构建项目推荐的知识图谱；其次，利用知识图谱表示学习将项目实体嵌入低维的向量空间，接着，利用相似度函数计算低维向量空间中项目之间的相似性，最后，将相似性潜在因子融入偏置矩阵分解模型中，以此融入项目间的隐含信息。本发明提高评分预测的准确性从而有效的提高推荐的成功率和精准度。

技术领域

本发明涉及推荐系统与知识图谱表示学习领域，特别是指一种融合知识图谱表示学习和偏置矩阵分解的推荐方法。

背景技术

随着信息技术和互联网的发展为人们的工作生活来了很多便利，为用户提供多样化的获取信息内容的方式，但随之来了一些信息超载等问题的困扰。如何抓住不同用户的个性化需求；如何建立用户和商品的连接，找出那些隐藏的连接呈现给用户；如何能跟进用户兴趣的迁移，如何为用户提供新颖、准确、时效性强的个性化推荐已经成为各个商家面对的主要挑战。在这种需求背景下，个性化推荐系统应运而生。

基于协同过滤的推荐算法常伴有数据稀疏来的冷启动问题，主要体现在新用户没有任何浏览或者购买记录，就无法准确地描述其特征，进而无法进行推荐物品的匹配。为解决冷启动问题,研究人员在协同过滤的基础上结合用户或物品的附加信息提出了一些混合推荐算法。Singh等人提出了一种协同矩阵分解,框架,首先将用户、物品或者其他实体之间存在的关系转化为关系矩阵,然后联合分解反馈矩阵和多个关系矩阵在实际应用中，这类推荐算法会出现推荐精准度低、用户满意度不高的问题。

现有的推荐算法通常只考虑用户对物品的行为数据、物品的内容信息以及综合考虑用户对物品的行为数据和物品的内容的信息时，忽视了用户信息及文本信息之间的关联性，对物品的语义信息挖掘得不够充分,进而对个性化推荐来了局限，最终导致推荐的准确率低。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种融合知识图谱表示学习和偏置矩阵分解的推荐方法。

本发明采用如下技术方案：

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。

优选的，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。

优选的，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。

优选的，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；