[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

说明书

本发明公开了一种知识图谱增强的物流知识神经协同过滤推荐方法，包括：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；最后将两个推荐模型进行融合，构建神经协同过滤推荐模型，得到最终推荐结果。使得物流知识信息的推荐更加准确，提高推荐的精确度。

技术领域

本发明涉及知识推荐技术领域，尤其涉及一种知识图谱增强的物流知识神经协同过滤推荐方法。

背景技术

近年来随着我国经济的快速发展，国内物流行业同样也在迅速发展，因此物流人才的缺口也在不断变大，因此专业物流人才的培养也处在至关重要的地步，很多人苦于没办法找到专业物流知识进行学习或者说没法精准的推荐用户所需要学习的物流知识，因此也在一定程度上阻碍了我国物流行业的进一步发展。

传统的知识推荐方法主要有基于用户或物品的协同过滤方法，前者通过考察用户之间的相似喜好进行推荐，而后者通过考察物品之间的相似程度进行推荐，它们都是基于用户的历史交互数据进行建模分析。然而，在现实生活中，用户与信息知识的数量庞大，但是用户和信息知识交互的数量却有限，因此对于数据稀疏的场景，协同过滤算法的准确率就会降低；现实中很多应用场景中大部分用户并不会明确给系统反馈自己对物品喜好的行为，此时协同过滤算法无法准确挖掘出用户的偏好兴趣。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种知识图谱增强的物流知识神经协同过滤推荐方法解决无法准确挖掘出用户的偏好兴趣的问题。

为解决上述技术问题，本发明提供如下技术方案：

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；

最后将两个推荐模型进行融合，构建神经协同过滤推荐模型，得到最终推荐结果。

作为本发明所述的知识图谱增强的物流知识神经协同过滤推荐方法的一种优选方案，其中：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neo4j数据库搭建一个初始的物流知识的领域知识图谱。

作为本发明所述的知识图谱增强的物流知识神经协同过滤推荐方法的一种优选方案，其中：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：