[发明专利]一种基于知识图谱表示学习的推荐系统

说明书

本发明提供了一种基于知识图谱表示学习的推荐系统，主要包括：1、数据格式转换模块：将异源异构数据按照规范格式化处理转换；2、数据预处理模块：对格式化后的数据抽取用于模型训练测试的数据集；3、数据导入导出模块：完成数据在关系型数据库、非关系型数据库和HDFS之间的数据导入导出操作；4、数据存储模块：贯穿于系统的运行周期，完成源数据、格式化数据、预处理数据、模型结果数据、日志数据等的存储；5、模型构建模块：用于构建知识图谱表示学习算法模型和基于知识图谱表示学习的推荐算法模型；6、数据可视化及交互模块：用于向用户展示模型运行结果，包括损失曲线图、结果数值化展示等和基于用户推荐结果的交互。

技术领域

本发明属于知识图谱和推荐系统相结合的领域，特别涉及一种优化的知识图谱表示学习算法。知识图谱目前在推荐系统中的应用还不成熟，本发明将知识图谱应该用推荐系统中，并提供了集成方面和网页式等直观操作方式。

背景技术

随着移动互联网的飞速发展，我们已经进入了信息爆炸的时代。目前，通过互联网提供服务的平台越来越多，相应类型的服务(购物、视频、新闻、电影、音乐、社交网络等)层出不穷。在面临网络资源指数增长、导致人们面临信息过载等问题下，如何对用户呈现感兴趣的信息成为研究的一大热门挑战。推荐是解决这个问题的一个有效途径，利用各种技术向用户推荐感兴趣的信息。因此，近年来，推荐受到了很多研究者的关注。

推荐系统形式定义如下：给定用户集合U，物品集合V，并用R_i,j表示用户U_i对物品V_j的喜好程度。随后定义一个效用函数f:U×V→R，则推荐系统所研究的问题就是给定任意一个用户U_i，希望找到其喜好程度最大的物品V_k，即：

目前，许多推荐系统集成了各种推荐方法和技术。虽然它们可以提高推荐效果，但仍然面临许多挑战。冷启动问题和数据稀疏问题是推荐系统中的两个主要问题。

知识图谱作为近年来新兴的一种辅助信息引起了研究者的关注，它的出现为推荐系统在大数据环境下的设计提供了一种新的方式。Google在2012年5月17日提出了知识图谱Konwledge Graph这个概念，提出的目的是为了对搜索引擎返回的结果进行优化，提升用户搜索质量及体验，也代表着知识在互联网搜索中被成功应用。知识图谱描述的是现实场景中存在的实体以及他们之间的关系。其思想可以追溯到1986年提出的一种知识表示形式——语义网络Sematic Network。语义网络由相互链接的边和结点构成，节点表示概念或者对象，边表示节点链接关系。其在表现形式上知识图谱类似，区别在于语义网络重点描述的是概念之间的关系，而知识图谱更关注实体之间的关系。所以，本质上，知识图谱描述的是实体间关系的一种语义网络。

知识图谱中实体和实体之间丰富的语义联系所带来的辅助信息，对提升推荐算法性能提供了一种有效途径。使得知识图谱在诸多领域场景中，例如新闻、音乐、电商等都有应用的潜力。相比于其他类型的辅助信息，引入知识图谱对推荐结果的提升包含如下几个方面：1、精确性：知识图谱中引入了物品和用户的结构等信息，能够挖掘用户深层的兴趣；2、多样性：知识图谱引入多种类型的关系类型，提高了推荐结果的发散性，避免最终结果类型单一；3、可解释性：知识图谱关联了推荐结果和用户历史行为，提高了算法模型的可解释性和用户对推荐系统的信任度。

推荐领域中，被关注的重点往往是用户和物品间的联系，对物品与物品和用户与用户等之间的联系考虑的比较少。推荐算法通过知识图谱将用户、物品以及他们之间的结构信息引入，对增强用户和物品的语义信息和提高推荐的准确性有重要的研究意义。

发明内容

发明目的：提出一种基于知识图谱表示学习的推荐系统，解决知识图谱表示学习和推荐在各领域的集成式应用。

技术方案：一种基于知识图谱表示学习的推荐系统，包括如下步骤：