[发明专利]一种基于协同知识图谱的个性化推荐方法

说明书

本发明提供一种基于知识图谱的个性化推荐方法，包括：S1、将用户集中的用户与物品集中的物品的历史交互数据和原有知识图谱结合到协同知识图谱中，在所述协同知识图谱中将用户与其交互物品在知识图谱中对应的实体使用有向边进行连接；S2、用四元数向量表示协同知识图谱中的每一个实体和关系；S3、采用注意力机制将实体的四元数嵌入沿着协同知识图谱的路径进行偏好传播与聚合；S4、基于完成偏好传播与聚合后的协同知识图谱，构建偏好分数预测函数计算每个用户与不同物品的偏好分数；S5、采用损失函数联合优化协同知识图谱的嵌入和偏好分数预测函数；S6、采用优化后的偏好分数预测函数预测用户对新物品的偏好分数，得到针对用户的新物品推荐列表。

技术领域

本发明涉及多媒体领域和自然语言处理领域，具体来说涉及知识图谱的个性化推荐领域，更具体地说，涉及一种基于协同知识图谱的个性化推荐方法。

背景技术

随着互联网的迅速发展，人们可获得的数据量呈指数级别增长，面对信息过载，用户很难从众多候选物品中挑选出自己真正感兴趣的物品。为了改善用户体验，给用户提供个性化的建议，推荐系统得到广泛应用。推荐系统中最为常用的算法是协同过滤算法，它根据历史的用户-物品交互信息计算用户相似度，从而进行推荐。这种算法通常是有效的，但是当历史用户-物品交互信息比较稀疏以及面对冷启动问题时，其性能大打折扣。为此，研究人员使用混合的推荐算法，将用户或物品的辅助信息引入协同过滤算法，作为对稀疏交互数据的补充，从而提高推荐算法的性能。

在多种多样的辅助信息中，知识图谱基于其易于获取、语义信息丰富、结构优良的有点，受到研究人员的广泛关注。将知识图谱引入推荐系统，利用其丰富的语义信息对用户-物品交互信息进行补充，有利于提高推荐结果的准确性；此外，知识图谱的连接结构，也有助于推荐结果的多样性和可解释性。现有的基于知识图谱的推荐算法通常可以分为基于嵌入的方法、基于路径的方法和混合的方法，但是这两种方法均存在一些缺陷，下面分别进行说明：

基于嵌入的方法使用知识图谱得到的物品嵌入作为物品特征，如结合物品的文本信息嵌入、图像信息嵌入和知识图谱结构信息嵌入作为物品的最终嵌入，从而进行推荐，这样的方法灵活性很高，但是其使用的嵌入算法更关注图谱补全等任务，而不是推荐任务，因此推荐效果的提升有限。基于路径的方法利用知识图谱中的连接路径显式地为推荐提供额外信息，如基于知识图谱中的连接结构，学习元路径的表示，从而描述用户-物品交互，这种方法非常直观，但是严重依赖预先定义好的有效的元路径和领域知识，因此其使用受到限制。

综合以上描述可知，混合的方法以知识图谱中的连接结构为指导信息，设计偏好传播机制对学习到的嵌入进行更新，从而得到更合理的用户和物品表示。其中，例如有人提出的模拟水波的传播形式，将用户偏好信息沿着知识图谱的路径进行显式传播，从而对用户和物品进行建模；或者在统一的用户-物品知识图谱上度量高阶关系辅助推荐算法。以上方法虽然对推荐算法的性能有所提升，但是现有的基于知识图谱的推荐算法使用实数向量表示用户、物品、实体和关系，其表达能力有限，且不具备内在的反对称性，因此会限制知识图谱种实体和关系之间的建模，影响最终的推荐效果。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种新个性化推荐方法，即通过引入四元数，基于协同知识图谱的个性化推荐方法。

本发明提供一种基于知识图谱的个性化推荐方法，用于为用户进行新物品推荐，包括：S1、将用户集中的用户与物品集中的物品的历史交互数据和原有知识图谱结合到协同知识图谱中，在所述协同知识图谱中将用户与其交互物品在知识图谱中对应的实体使用有向边进行连接；S2、用四元数向量表示协同知识图谱中的每一个实体和关系；S3、采用注意力机制将实体的四元数嵌入沿着协同知识图谱的路径进行偏好传播与聚合；S4、基于完成偏好传播与聚合后的协同知识图谱，构建偏好分数预测函数计算每个用户与不同物品的偏好分数；S5、采用损失函数联合优化协同知识图谱的嵌入和偏好分数预测函数；S6、采用优化后的偏好分数预测函数预测用户对新物品的偏好分数，得到针对用户的新物品推荐列表。