[发明专利]一种知识图谱增强的物流知识神经协同过滤推荐方法

权利要求书

1.一种知识图谱增强的物流知识神经协同过滤推荐方法，其特征在于，包括以下步骤：

获取未经处理的物流数据转换成三元组形式的规则信息，搭建初始知识图谱；

选取表示学习方法中的TransR模型，对初始知识图谱进行语义特征提取；

通过对图结构中相连节点分布本身，结合注意力机制，将领域信息聚合度到目标节点上，完成语义和结构特征的提取；

将两个特征与原始项目表示进行融合，将融合后的最终实体带入到矩阵分解推荐和神经网络推荐中；

最后将矩阵分解推荐模型和神经网络推荐模型进行融合，构建神经协同过滤推荐模型，得到最终推荐结果。

2.如权利要求1所述的知识图谱增强的物流知识神经协同过滤推荐方法，其特征在于：所述获取未经处理的物流数据转换成三元组形式的规则信息，搭建初始知识图谱，每个三元组包括一个头实体、一个尾实体和头尾实体之间的关系，得到三元组后用数据库建立初始物流知识图谱。

3.如权利要求1或2所述的知识图谱增强的物流知识神经协同过滤推荐方法，其特征在于：所述选取表示学习方法中的TransR模型，对初始知识图谱进行语义特征提取，对于每一个关系r，TransR定义投影矩阵M_r∈R^d×k，将实体向量从实体空间投影到关系r的子空间，头实体投影到r空间和尾实体投影到r空间表示为：

然后使得

因此将TransR模型的损失函数定义为：

其中h表示物流知识头实体，r表示物流知识实体之间的关系，t表示物流知识尾实体。

4.如权利要求3所述的知识图谱增强的物流知识神经协同过滤推荐方法，其特征在于：所述通过对图结构中相连节点分布本身，结合注意力机制，将领域信息聚合度到目标节点上，完成语义和结构特征的提取，具体操作步骤如下：

对每个实体可得到一个表示e_i，令n_i为该实体的邻域集合表示为：N_i＝{e_n|(e_i,r,e_n)∈G}；

对于实体自身e_i与其邻域中的实体e_n，使用实体注意力a_in表示实体e_n对实体e_i的重要性，计算出实体注意力a_in表示为：其中e_i，e_n分别是实体和其邻居实体经过语义特征提取得到的向量表示，‖表示拼接操作，W为训练参数，将拼接好的实体表示进行点积操作，然后使用LeakyReLU激活函数，得到实体e_n对于实体e_i的重要性；

使用softmax函数对其进行归一化，得到实体的聚合权重系数a_in；

经过邻域聚合后的实体表示由其邻居实体e_n和相对应的聚合权重系数a_in的加权和表示为：

将上述部分作为一个单层的邻域聚合层，通过不断叠加该聚合层获取更远距离的邻居实体上的知识，假设进行L次叠加，则实体e_i在第l+1层的表示为：

最终得到第L层聚合后的实体表示为：

将得到的实体表示应用到推荐领域之中，推荐部分的ei即代表上式得到的最终实体表示为e_i_fianl。

5.如权利要求4所述的知识图谱增强的物流知识神经协同过滤推荐方法，其特征在于：所述得到实体的聚合权重系数a_in表示为：