[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

说明书

本发明涉及一种基于深度矩阵分解与知识图谱的服务推荐方法，该方法利用政务服务事项数据构建政务服务知识图谱，通过知识表示方法对知识图谱的实体上下文和实体描述文本信息建模，采用联合学习的方式将知识表示学习与个性化推荐结合起来得到最优GKGR模型。最后预测每一对用户和服务事项的分数，通过推荐列表的方式向用户推荐分数较高的服务事项。该方法利用神经网络对用户和服务事项进行特征提取，充分利用用户行为数据，有效地缓解数据稀疏的问题；通过知识表示方法对实体上下文和实体描述文本信息进行建模，联合学习知识表示任务和个性化推荐任务，提高推荐结果的准确性和可解释性，有效缓解了政务服务推荐的冷启动问题。

技术领域

本发明涉及政务服务推荐领域，具体涉及一种基于深度矩阵分解与知识图谱的服务推荐方法。

背景技术

“互联网+政务服务”将传统的政务服务方式与现代互联网技术相结合，实现了政府与公民之间的便捷互动和信息交流，提升了政务服务的效率、透明度和公正性，同时也推动了数字化转型和智慧城市建设。然而随着城市级一站式服务平台的建设，政务服务资源庞大分散、种类多、层级复杂，政务服务面向市民用户，常常需要个性化的信息服务。如何从海量城市政务服务中为用户过滤出所需的服务事项，并将其推荐给用户，是一站式市服务平台面临的痛点难点问题。在个性化推荐技术中，传统的协同过滤推荐算法，应用广泛，技术成熟，但难以应对政务服务个性化推荐场景下面临的数据稀疏问题。

发明内容

本发明的目的在于提供一种基于深度矩阵分解与知识图谱的服务推荐方法，旨在解决政务服务推荐时面临的用户数据稀疏，大量异质多源、组织松散的数据未能充分利用的问题。

为解决上述技术问题，本发明采用如下技术方案：一种基于深度矩阵分解与知识图谱的服务推荐方法，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。