[发明专利]基于语义特征和知识特征融合的内容推荐方法

权利要求书

1.一种基于语义特征和知识特征融合的内容推荐方法，其特征在于，包括如下步骤：

(1)语义特征学习：利用CBoW模型捕获给定知识图谱中项目实体对应的语义特征向量表示S_i；

(2)知识特征学习：在给定知识图谱中，以用户历史交互项目为起点沿着关系链路向外扩散以获得用户偏好扩散集其中n表示链路长度；并根据用户交互项目为偏好扩散集中的三元组分配对应的关联概率；

(3)特征融合及结果生成：针对不同特征设计关系权重进行加权融合，并进行用户对于偏好扩散集响应的计算：

式中，为用户u对偏好扩散集的实体响应，由该节点的语义特征和知识特征加权融合得到；t_i表示实体h_i沿着关系r_i到达的尾实体；p_i为知识特征学习中学习到的关联度；S_i表示语义特征学习中学习到的该实体对应的语义特征向量表示；α_i表示与尾实体t_i对应的语义特征S_i的权重；

按照由内层至外层的顺序将获取到的用户u在知识图谱中不同链路长度下的实体响应输入GRU，对所得偏好扩散集进行关键特征提取，采用注意力机制为GRU提取到的特征向量进行权重分配，进而生成用户的最终向量表示u：

式中，n表示偏好扩散集扩散的最大链路长度；为用户u对偏好扩散集的实体响应在GRU单元中的隐藏状态向量表示；θ_jn为当前第j个隐藏状态向量对应的权重；

再将用户最终向量表示和候选项目向量表示进行组合，按下式计算得到预测的用户点击概率：

式中，表示用户u与候选项目v的交互概率，σ表示Sigmoid函数；

(4)模型训练：利用如下损失函数进行模型训练：

式中，V为项目的向量表示；E为知识图谱中实体的向量表示；R为知识图谱中关系的向量表示；I_r为项目在关系r下的真实向量表示；E^TRE为计算得到的项目在关系r下的嵌入向量表示；λ₁为知识图谱嵌入损失权重；λ₂为L2正则项权重；α表示知识图谱语义特征的权重向量。

2.根据权利要求1所述的内容推荐方法，其特征在于，在所述步骤(1)中，通过最大化CBoW模型的如下目标函数L，不断优化权重矩阵，从而学习得到语义特征向量：

式中，C表示目标词所组成的语料库；目标词的概率分布式为p(w|Context(w))＝softmax(U^T·h)，其中，U表示投影层至输出层的权重矩阵，w表示目标词，Context(w)为w的上下文。

3.根据权利要求1所述的内容推荐方法，其特征在于，在所述步骤(2)中，基于用户交互项目为偏好扩散集中的三元组分配对应的关联概率：

式中，v为用户历史交互项目；R_i∈R^d×d，h_i∈R^d分别是知识图谱中关系和实体的向量表示；p_i为用户历史交互项目v与实体h_i之间的关联度。

4.根据权利要求1所述的内容推荐方法，其特征在于，在所述步骤(3)中，GRU使用重置门r_t控制信息的遗忘程度；使用更新门z_t对前一时刻隐藏状态信息进行遗忘和选择性保留；基于更新门的激活结果计算获得候选隐藏状态在此基础上进行计算获得当前时刻t的隐藏状态h_t，计算过程如下：

r_t＝σ(W_rx_t+U_rh_t-1) ⑦；

z_t＝σ(W_zx_t+U_zh_t-1) ⑧；

以上式中，σ表示Sigmoid激活函数；W_r和U_r表示重置门的权重参数；W_z和U_z表示更新门的权重参数；*表示Hadamard乘积。