[发明专利]一种基于知识图谱的个性化推荐方法及装置

说明书

本发明公开了一种基于知识图谱的个性化推荐方法及装置，方法包括：S1：将用户、物品以及物品的属性值抽象为实体节点，基于用户与物品之间的关系建立第一边，将物品与物品属性值之间的属性关系作为第二边，进而构建出包含用户与物品的协同知识图谱，并根据协同知识图谱获取实体节点之间的嵌入表示；S2：针对实体节点中用户u与实体节点中物品i之间的连接路径，根据各个实体节点的嵌入对连接路径进行聚合处理，得到连接路径的嵌入表示；S3：使用实体节点之间的嵌入表示以及连接路径的嵌入表示训练预先搭建的模型直至模型收敛，得到目标预测模型，所述目标预测模型用于向用户推荐物品。本方法以端到端的方式可以进行更加准确的物品推荐。

技术领域

本发明涉及基于深度学习的推荐方法领域，具体是一种基于知识图谱的个性化推荐方法及装置。

背景技术

近些年随着电商规模不断扩大，商品种类数量日益庞杂，信息过载的问题十分严重。如何在海量信息中挑选实用的信息成为了众多学者研究的热点方向。推荐系统的目标是在电商网站众多商品中为用户提供商品建议，从而帮助用户选择更合适的商品。

现有技术中，传统的推荐方法一般利用用户对物品的交互信息来获取用户偏好，虽然算法较为简单，但是该方法的推荐模型中输入的数据较为单一，没有充分利用用户的其他行为数据，因此无法全面地获取用户偏好，其推荐效果有待提升。为了解决上述问题，现有技术中基于深度学习方法的推荐方法得到了广泛应用。一般基于评分、点赞、购买等显式反馈，或浏览记录、转发记录等隐式反馈作为样本训练神经网络模型，神经网络模型利用自身的特征提取与学习的功能捕捉用户的偏好并进行推荐。但是神经网络模型较少考虑和商品的属性特征，导致推荐效果不够理想。可以使用基于协同过滤的推荐算法进行物品推荐，但是，目前基于协同过滤的推荐系统中主要面临以下几个问题：

(1)现有技术中仅使用单一的交互数据，没有充分利用物品丰富的属性信息，例如，仅使用了用户对物品的购买或者点击行为，但是并没有将物品的属性信息如品牌以及产地等信息考虑到推荐系统中。

(2)没有挖掘用户的真正需求，即推荐系统的样本中不包括如当用户购买某品牌的商品时是由于用户对这个品牌的喜爱，还是用户喜爱该具体的某种商品。

因此，现有技术中存在推荐结果不够准确的技术问题。

发明内容

本发明的目的是提供一种基于知识图谱的个性化推荐方法，以更加准确的向用户推荐。

为了达到上述目的，本发明所采用的技术方案为：

本发明提供了一种基于知识图谱的个性化推荐方法，包括以下步骤：

S1：将用户、物品以及物品的属性值抽象为实体节点，基于用户与物品之间的关系建立第一边，将物品与物品属性值之间的属性关系作为第二边，进而构建出包含用户与物品的协同知识图谱，并根据协同知识图谱获取实体节点之间的嵌入表示，其中，所述用户与物品之间的关系包括：用户对物品的购买关系，用户对物品的点击关系中的一种或组合；

S2：针对实体节点中用户u与实体节点中物品i之间的连接路径，根据各个实体节点的嵌入对连接路径进行聚合处理，得到连接路径的嵌入表示；

S3：使用实体节点之间的嵌入表示以及连接路径的嵌入表示训练预先搭建的模型直至模型收敛，得到目标预测模型，所述目标预测模型用于向用户推荐物品，其中，所述预先搭建的模型包括：多层感知机模型。

可选的，所述根据协同知识图谱获取实体节点之间的嵌入表示，包括：

针对知识图谱中的每一个实体节点，获取所述实体节点的邻居节点，根据邻居节点的嵌入以及实体节点与邻居节点之间关系的嵌入更新所述实体节点的嵌入表示；

针对实体节点更新后的协同知识图谱网络中的每一个实体节点，返回执行所述获取所述实体节点的邻居节点的步骤，直至达到设定更新条件，其中，所述设定更新条件包括：更新次数。