[发明专利]一种基于知识图谱表示学习和神经网络的协同推荐方法

权利要求书

1.一种基于知识图谱表示学习和神经网络的协同推荐方法，其特征在于，包括以下步骤：

步骤1，获取数据集，将数据集中的项目映射到公开知识图谱三元组K，并为项目分别构建其对应的实体集E、关系集R、以及训练集S；

数据集使用电影数据集Movielens-1M，电影公开数据集Movielens-1M每条数据记录描述了不同用户对电影的评分，分值从1分到5分逐渐增高；公开知识图谱使用公开知识图谱Yago，公开知识图谱Yago由三元组构成＜h,r,t＞，将电影数据集Movielens-1M中的每一个电影实体与公开知识图谱Yago中三元组的头、尾实体做映射，构建三元组；

步骤2，构建好的实体集E、关系集R、以及训练集S作为训练集输入到OpenKE框架中进行模型训练，其中同过设置参数的方式来选择采用知识图谱表示学习方法进行学习；

训练过程中会输出实体集的对应向量矩阵E′，根据输入的实体集E的项目顺序，按照顺序将实体集的对应向量矩阵E′反映射回项目个体，最终为每一个项目构建好其对应的低维度稠密特征向量I_kem；

采用TransH表示学习方法生成128维稠密向量，128维稠密知识向量则代表按顺序输入的电影实体；

步骤3，知识嵌入向量层用于将步骤2得到的低维度稠密特征向量I_kem做正例、负例选择处理，完成整合嵌入到模型正负例选择的逻辑，生成正例低维度稠密特征向量I_kem-pos和负例低维度稠密特征向量I_kem-neg，之后加入一个读入模块，将正例低维度稠密特征向量I_kem-pos和负例低维度稠密特征向量I_kem-neg读入模型 中，并替换掉传统向量层操作，即为知识嵌入向量层最终输出，然后神经网络训练层开始训练。

2.根据权利要求1所述基于知识图谱表示学习和神经网络的协同推荐方法，其特征在于：步骤2中的反映射指将训练结束之后输出的每一个低维度稠密特征向量I_kem按顺序对应到每一个输入的实体集E的项目编号。

3.根据权利要求1所述基于知识图谱表示学习和神经网络的协同推荐方法，其特征在于：知识表示学习方法包括TransE方法、TransR方法、TransH方法、TransD方法。

4.根据权利要求1所述基于知识图谱表示学习和神经网络的协同推荐方法，其特征在于：知识嵌入向量层是一个离线处理数据的组件。