[发明专利]一种基于无采样协作知识图网络的推荐系统

说明书

本发明提供了一种基于无采样协作知识图网络的推荐系统，包括：嵌入模块设置为获取知识图谱中三元组的初始嵌入向量；无采样知识图卷积模块设置为包含若干线性聚合器的单层卷积网络，对初始嵌入向量进行无采样的预计算，获得三元组的深层次信息；将嵌入向量和深层次信息结合作为更新嵌入向量；协作传播模块设置为同时编码用户和项目交互中的协作信号作为用户和项目的初始偏好，与更新嵌入向量结合作为预测模块的输入向量；预测模块设置为根据输入向量获得推荐结果。本发明仅通过设计较为复杂的传播矩阵和预计算操作，实现了不差于深度模型的性能和更快的速度，已经更准确的预测结果。

技术领域

本发明涉及推荐方法技术领域，尤其涉及一种基于无采样协作知识图网络的推荐系统。

背景技术

推荐系统是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

知识图谱(Knowledge Graph，KG)是一种新兴的知识载体，它将文档数据整合成简单易懂的三元组形式，并通过节点之间深层次的语义关联来补偿数据稀疏性。例如，(王家卫，导演，阿飞正传)表明王家卫是《阿飞正传》的导演。KG作为一种有向异构图，节点和边分别对应于不同类型的实体和语义关系。这样的图结构意味着KG具有很强的关系表示能力和建模灵活性，近年来已经被成功应用于许多邻域。

目前针对KG结合推荐的代表性研究很多沿袭了基于GNN的技术路线。然而，引入GNN 同样面临以下问题：(1)信息传播过程中指数级增长的节点数量导致了巨大的内存和时间成本。为了缓解这种情况，现有的方法通常使用采样策略在训练时保留节点邻居或子图的子集来减轻计算成本。然而，采样操作可能在优化过程引入误差。(2)深度图神经网络架构中固有的梯度消失和特征平滑等问题，导致模型训练难度较大。尽管最近一些工作表明能在一定程度上改善这些问题，但广泛的实验证明深度往往不会带来显著的收益性。平衡模型的深度和效率，使图神经网络能处理大规模的网络是现阶段的挑战。

发明内容

本发明的目的在于提供一种兼具简单性和表达性的知识图推荐系统，其技术方案如下：

一种基于无采样协作知识图网络的推荐系统，包括依次连接的嵌入模块、无采样知识图卷积模块、协作传播模块和预测模块；

所述嵌入模块设置为获取知识图谱中三元组的初始嵌入向量；

所述无采样知识图卷积模块设置为包含若干线性聚合器的单层卷积网络，对所述初始嵌入向量进行无采样的预计算，获得所述三元组的深层次信息；将所述嵌入向量和深层次信息结合作为更新嵌入向量；

所述协作传播模块设置为同时编码用户和项目交互中的协作信号作为用户和项目的初始偏好，与所述更新嵌入向量结合作为预测模块的输入向量；

所述预测模块设置为根据所述输入向量获得推荐结果。

在一些较优的实施例中，所述嵌入模块在获取到所述初始嵌入向量后，还包括步骤：

将所述知识图谱中的三元组分别建模到实体和关系两个空间，并根据下述公式评价其可信度：其中，h和t为实体，r为实体h和t间存在的关系，e_h，e_r， e_t分别是h，r，t的嵌入表示，W_r为关系r的转换矩阵；

g(h，r，t)的值越低意味着三元组(h，r，t)的可信度越高；反之，三元组(h，r，t)的可信度越低。