[发明专利]基于语义特征和知识特征融合的内容推荐方法

说明书

本申请公开了一种基于语义特征和知识特征融合的内容推荐方法，旨在解决传统推荐模型面临的数据稀疏性及推荐效果不好的问题。本申请基于知识图谱，使用连续词袋模型捕获项目实体对应的语义特征，依据“偏好扩散”思想进行知识特征的学习，将不同层面特征进行融合后，使用结合注意力机制的门控循环单元挖掘用户潜在兴趣偏好。基于MovieLens数据集的对比实验结果表明，所提出模型能够有效提升推荐效果并缓解数据稀疏性问题，通过消融实验验证了该模型各个组件的有效性。

技术领域

本申请涉及大数据处理技术领域，具体涉及一种基于语义特征和知识特征融合的内容推荐方法。

背景技术

伴随着互联网数据的爆炸式增长，众多冗余信息无规律、无差别地展现在用户面前，严重降低了用户获取信息的效率。推荐系统是解决“信息过载”最有效的方式之一。近年来，推荐系统已越来越广泛应用于音乐、电影、新闻等领域。现有推荐方法可分为基于协同过滤的推荐方法、基于内容的推荐方法及混合推荐方法；其中应用最广泛的是协同过滤推荐方法，然而协同过滤则过度依赖于用户交互数据，当存在数据稀疏性问题时，该方法的准确性较低。

为了缓解传统推荐方法中出现的问题，研究者们将用户的社交关系、物品属性和知识图谱等作为辅助信息引入。为了对辅助信息中蕴含的大量与用户偏好相关的数据进行特征提取，研究者们通常使用深度学习技术对其进行挖掘以提升推荐性能。将知识图谱作为辅助信息引入推荐领域已成为当前的研究热点。知识图谱中蕴含的知识信息能够在一定程度上缓解数据稀疏问题并增强推荐结果的可解释性。

公开于该背景技术部分的信息仅用于加深对本公开的背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。

发明内容

发明人将知识图谱引入推荐模型，提出一种基于语义特征和知识特征融合的推荐方法，借助知识图谱对用户兴趣进行有效扩展，将知识图谱中的语义特征与知识特征有效融合以获得更准确的用户兴趣偏好；利用知识图谱中的网络结构，依据“偏好扩散”思想获取用户偏好扩散集，使用门控循环单元结合注意力机制挖掘用户深层兴趣。

根据本公开的一个方面，提供一种基于语义特征和知识特征融合的内容推荐方法，包括如下步骤：

(1)语义特征学习：使用连续词袋模型(Continuous Bag-of-Words，CBoW)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门控循环单元(Gated Recurrent Unit，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；