[发明专利]一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法

说明书

本发明公开了一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法(SCKG‑CF)，包括以下步骤：S1、数据采集及处理；S2、划分数据集；S3、构建融合模型；S4、模型的训练及项目推荐。本发明考虑了知识图(Knowledge Graph)的效用，通过将项目与其属性链接来打破独立交互假设，以端到端的形式显式地对知识图中的高阶连接进行建模；引入用户的社交网络图，考虑社交网络对推荐的影响，并使用注意力机制来区分邻居和社交关系的重要性，使推荐系统具有更好的推荐效果和可解释性；本发明在通过注意力权重与特征融合向量进行外积得到的特征矩阵上使用标准的多层感知器来学习用户项目特性之间更深层次的耦合关系，多层的神经网络结构也赋予模型高水平的灵活性和非线性建模能力。

技术领域

本发明属于计算机人工智能的技术领域，尤其涉及一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法。

背景技术

推荐系统对筛选有效信息和提高信息获取效率具有重大意义，传统的推荐系统会面临数据稀疏和冷启动的问题，因此，本发明考虑了知识图(Knowledge Graph)的效用，将社交网络与知识图相结合，通过将项目与其属性链接来打破独立交互假设，以端到端的形式显式地对知识图中的高阶连接进行建模，递归地从节点的邻居传播嵌入，来细化节点的嵌入，丰富实体之间的语义关系，增加用户对推荐结果的信任度。同时在得到的用户项目特征融合向量上引入注意力机制来区分邻居和社交关系的重要性；通过在注意力权重与特征融合向量进行外积得到的特征矩阵上使用标准的多层感知器来学习用户项目特性之间更深层次的耦合关系，多层的神经网络结构也赋予模型高水平的灵活性和非线性建模能力。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法，具有良好的推荐精度和可解释性。

为了解决上述技术问题，本发明通过以下技术方案来实现：

本发明提供的一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法，包括以下步骤：

S1、数据采集及处理；

S2、划分数据集：将处理好的数据集随机选取80％的历史交互作为训练集，用于训练模型；其余作为测试集，用于评估模型的泛化能力；从训练集中随机选取10％的交互作为验证集，用于调整超参数；对每一个可以观察到的用户项目交互，将其视为正例，然后执行负采样策略为用户没有交互过的项目配对负例；

S3、构建融合模型：通过构建协作知识图以端到端的形式显式地对知识图中的高阶连接进行建模；构建用户的社交网络图，考虑社交网络对推荐的影响，并使用注意力机制来区分邻居和社交关系的重要性；通过在注意力权重与特征融合向量进行外积得到的特征矩阵上使用标准的多层感知器来学习用户项目特性之间更深层次的耦合关系；

S4、模型的训练及项目推荐：将步骤S2中得到的训练集和测试集分别用于训练和评估步骤S3中构建的融合模型，根据最终的预测概率判断是否将项目推荐给用户。

优选的，所述步骤S1的数据采集及处理的具体步骤如下：

S101、将下载的MovieLens 1M数据集进行数据预处理；

S102、将用户项目历史交互信息转化为二部图形式；

S103、使用10-core设置，即保留至少有10次交互的用户和项目。

所述步骤S3中构建融合模型的具体步骤如下：

S301、构建输入层：输入层输入层包括三个输入内容，协作知识图(知识图+用户项目二部图)、基于项目的信息和基于用户的社交网络图；