[发明专利]一种基于去噪的知识感知图卷积网络推荐方法

权利要求书

1.一种基于去噪的知识感知图卷积网络推荐方法，其特征是，包括步骤如下：

步骤1、采集用户的历史数据，并找出历史数据中所有用户交互过的项目，并将项目与知识图谱中的实体对齐；将用户ID、以及知识图谱中的实体ID和关系ID送入嵌入层，得到用户的初始嵌入向量表示、实体的初始嵌入向量表示和关系的初始嵌入向量表示；

步骤2、利用注意力机制，先计算用户对单个交互过的项目的偏好向量表示，再计算用户对所有交互过的项目的偏好向量表示，即用户偏好向量表示；

步骤3、通过噪声识别操作计算用户偏好向量表示和邻居实体向量表示之间的相似度得分并归一化，归一化后的相似度得分用于控制图卷积网络中每个属于推荐类型的实体的邻居信息传递，破坏噪声信息的传播，得到每个属于推荐类型的实体的初始邻居结构向量表示；

步骤4、通过图卷积运算捕捉知识图谱中每个属于推荐类型的实体的邻居结构信息，聚合每个属于推荐类型的实体的初始嵌入向量表示与每个属于推荐类型的实体的初始邻居结构向量表示，得到属于推荐类型的实体的一阶向量表示，通过堆叠多层图卷积，以收集来自高阶邻居的影响信号，获得更多与推荐类型实体有关的信息，得到每个属于推荐类型的实体的各阶嵌入向量表示；

步骤5、通过图卷积运算聚合用户偏好向量表示与用户交互过的每个项目即实体的向量表示，通过堆叠多层图卷积，以更深入的方式挖掘用户的潜在兴趣，得到用户的各阶嵌入向量表示；

步骤6、将用户的0～L阶嵌入向量表示进行拼接，得到用户的最终向量表示；同时将属于推荐类型的实体的0～L阶嵌入向量表示进行拼接，得到属于推荐类型的实体的最终向量表示；

步骤7、将用户的最终向量表示与每个属于推荐类型的实体的最终向量表示的内积作为用户对实体的评分，并将评分排在前k位的实体推荐给用户；其中k为设定值；

上述式中，e_u表示用户u的初始嵌入向量表示，表示与用户交互过的项目p_j有关的关系的初始嵌入向量表示，表示用户对单个交互过的项目p_j的偏好向量表示，表示用户偏好向量表示，表示与用户交互过的项目p_j有关的关系的集合，N_u是用户交互过的项目的集合；e_t表示属于推荐类型的实体h的邻居实体t的初始嵌入向量表示，表示属于推荐类型的实体h的初始邻居结构向量表示，N_h表示属于推荐类型的实体h的邻居实体t的集合；表示属于推荐类型的实体h的l阶嵌入向量表示，表示属于推荐类型的实体h的l-1阶嵌入向量表示，表示属于推荐类型的实体h的l-1阶邻居结构向量表示，l＝0,1,…,L，L为图卷积的层数，f表示聚合函数；表示用户u的l阶嵌入向量表示，|N_u|表示用户交互过的项目的数量，⊙表示哈达玛积；上标T表示转置。

2.根据权利要求1所述的一种基于去噪的知识感知图卷积网络推荐方法，其特征是，步骤4中，聚合函数f为：

式中，表示属于推荐类型的实体h的l阶嵌入向量表示，表示属于推荐类型的实体h的l-1阶嵌入向量表示，表示属于推荐类型的实体h的l-1阶邻居结构向量表示，W表示图卷积网络的权重参数，b表示图卷积网络的偏置参数，l＝0,1,…,L，L为图卷积的层数。

3.根据权利要求1和2所述的一种基于去噪的知识感知图卷积网络推荐方法，其特征是，属于推荐类型的实体h的0阶嵌入向量表示即为属于推荐类型的实体h的初始嵌入向量表示e_h；属于推荐类型的实体h的0阶邻居结构向量表示即为属于推荐类型的实体h的初始邻居结构向量表示用户u的0阶嵌入向量表示即为用户u的初始嵌入向量表示e_u。