[发明专利]一种基于知识图谱和图注意力网络的课程推荐系统

说明书

本发明提供了一种基于知识图谱和图注意力网络的课程推荐系统，包括领域知识图谱构建模块、知识表示学习CTransD模块、图注意力网络CTransD‑GAT模块和评分预测模块，本发明根据课程数据集构建知识图谱，通过知识学习表示模块，将知识图谱中的实体和关系嵌入到连续的稠密的低维向量空间中，本发明利用图注意力网络模块计算权重系数传播和聚合实体节点的特征信息，生成新的包含更多信息的节点表示，根据评分预测模块得到课程预测评分。本发明的基于知识图谱和图注意力网络的课程推荐系统，通过知识图谱为推荐系统提供较准确和丰富的语义信息，利用图注意力网络，捕捉不同用户对课程不同关系的注意力，提高了推荐结果的准确度。

技术领域

本发明涉及课程推荐技术领域，尤其涉及一种基于知识图谱和图注意力网络的课程推荐系统。

背景技术

在信息过载的时代，推荐系统的任务就是联系用户和物品，一方面帮助用户发现对自己有价值的物品，另一方面让物品能够展现在对它有兴趣的用户面前，从而实现物品消费者和物品生产者的双赢，推荐系统在各种在线服务中发挥着重要作用。协同过滤算法作为经典的推荐算法之一，根据用户物品评分矩阵，对用户和物品进行向量嵌入，通过内积操作来模拟用户偏好。然而，协同过滤算法存在冷启动和数据稀薄时推荐效果受限的问题，也很难解释推荐结果的原因。

为了解决上述缺陷，近年来基于知识图谱的推荐系统成为研究的热点，因为知识图谱蕴含了物品属性和各种类型的关系信息，能够为推荐系统提供丰富的物品语义信息。基于嵌入的方法将知识图谱中的实体和关系嵌入到连续的稠密的低维向量空间中，得到低维稠密的向量化表示后，将其与原有推荐系统中的物品、用户嵌入向量进行融合，基于知识图谱嵌入算法分为两类，基于翻译的模型，如TransE，TransH，TransR，TransD等，和语义匹配模型，如DistMult。然而，TransD模型参数多和实体表示间没有关联，很难应用到大型知识图谱中，以及现有的基于知识图谱的推荐模型忽略了用户对物品不同关系所产生的不同重视程度的问题。

发明内容

针对上述问题，本发明提出了一种基于知识图谱和图注意力网络的课程推荐系统，使知识表示学习更好的应用到大型知识图谱中，为推荐系统提供丰富的物品语义关联信息，弥补空间向量模型丢失实体类之间关系信息的缺陷，并且解决了推荐模型忽略用户对物品不同关系所产生的不同重视程度的问题。

为了实现本发明的上述目的，本发明采用的技术方案如下：

一种基于知识图谱和图注意力网络的课程推荐系统，包括领域知识图谱构建模块、知识表示学习CTransD模块、图注意力网络CTransD-GAT模块和评分预测模块；

所述的领域知识图谱构建模块：采用自顶向下的构建方式，抽象概括领域知识，得到领域知识图谱的实体概念，为领域中的每个实体概念定义实体类、对象属性、数据属性、值域和约束条件，构建出领域知识图谱本体库，从数据集中获取数据，将知识图谱所需的实体、属性、关系元素抽取出来，实例化本体库，形成结构化知识存入知识图谱；

所述的知识表示学习CTransD模块：将所述的知识图谱中的实体和关系嵌入到连续的稠密的低维向量空间中，形成用户、课程和关系的初始嵌入向量，用来刻画推荐系统的课程语义信息；

所述的图注意力网络CTransD-GAT模块：通过注意力机制来计算所述的知识图谱中关系对用户的权重，利用用户的嵌入向量和关系嵌入向量的内积表示该种关系对用户的重要程度，实体节点根据权重系数将特征信息传递给相邻节点，并使实体节点与传播的相邻节点进行嵌入聚合生成新的包含更多信息的节点表示；

所述的评分预测模块：将用户嵌入向量e_u与聚合后的课程嵌入向量e_k做内积，作为用户点击物品的概率值

进一步的，所述知识表示学习模块为优化后的CTransD模块，模型创建步骤如下：

步骤1、三元组提取：将知识图谱中的数据转换为三元组结构；