[发明专利]一种基于深度矩阵分解与知识图谱的服务推荐方法

权利要求书

1.一种基于深度矩阵分解与知识图谱的服务推荐方法，其特征在于，包括如下步骤：

S1：根据用户与服务事项交互过程中产生的行为数据获得初始用户向量，将初始用户向为输入全连接层输出即为用户向量u_i：

根据用户与服务事项交互过程中产生的行为数据，按照度量规则对用户行为数据进行量化，构建用户-服务事项行为矩阵其中矩阵的每一行表示一个初始用户向量，矩阵中的数值R_ij表示用户i对服务事项j的点击次数；

构建政务服务知识图谱G，服务事项实体和关系之间用图结构进行表示，每个服务事项实体看作图中的节点，关系看作边；

S2：构建和训练GKGR模型，所述GKGR模型包括：

S2-1：根据政务服务知识图谱定义实体上下文信息获得服务事项实体向量e_s；

S2-2：根据政务服务知识图谱定义实体描述文本获得第二服务事项实体向量e_d；

S2-3：根据服务事项实体向量e_s与服务事项实体向量e_d得到最终服务事项向量e；

S2-4：给定用户i、服务事项实体j以及用户-服务事项行为矩阵R_ij，构建了用户-服务事项偏好对i，j，j′，表示用户i与服务事项实体j有交互，与服务事项j′无交互，即用户i对服务事项j有需求，从G中找到与j、j′相关的三元组和实体描述文本，通过实体上下文的知识表示方法学习e_s，利用Bi-LSTM学习服务事项实体向量e_d，通过门控机制将两种实体向量进行融合，将用户向量u_i和服务事项向量输入到个性化排序模型；

当目标函数最大且不再变化时，训练结束，此时得到最优GKGR模型；

S3：对于一个用户，采用S1得到用户向量输入最优GKGR模型，最优GKGR模型计算该用户与所有服务事项的关联程度，并按照关联程度值的大小降序排列，输出关联程度值所对应的服务事项序列。

2.如权利要求1所述的一种基于深度矩阵分解与知识图谱的服务推荐方法，其特征在于：所述S2-1获得服务事项实体向量e_s的过程如下：

实体上下文信息C(h，r，t)包括邻居上下文C_n(h)和路径上下文C_p(h，t)；

邻居上下文C_n(h)是指与给定节点直接相连的其他节点的集合；

路径上下文C_p(h，t)是指与给定节点相连的所有路径所组成的上下文信息，即C(h，r，t)＝C_n(h)∪C_p(h，t)；

服务事项实体h的邻居上下文定义如下公式所示，G表示政务服务知识图谱；

其中，h，t表示不同的服务事项实体，r表示关系；

服务事项实体h和t的路径上下文定义如下公式所示：

其中，p_i是h到达实体t的关系序列，L是所有关系路径中的最大长度，r₁，表示h到达实体t途径的其它关系，e₁，表示h到达实体t途径的其它实体，l_i表示第i个关系；

三元组(h，r，t)成立的概率如下公式所示；

f(h，r，t)＝P((h，r，t)|C(h，r，t)；θ)    (3)

其中，θ表示模型的参数，评分函数f(·)的分数越高，三元组成立的概率越大；

预训练模型transE，三元组(h，r，t)输入transE，当f(h，r，t)值最大时，transE的输出即服务事项实体向量e_s。