CN110516160A 基于知识图谱的用户建模方法、序列推 荐方法 （中国科学院自动化研究所）

号法本发明的用户建模方法能够有效提取用户动态2步骤S110，分别获取用户所访问的历史项目步骤S120，获取用户与所访问的历史项目序列中每步骤S130，基于用户和所访问的历史项目序列步骤S220，分别获取待预测项目序列中每体和关系的结构信息获取；所述待预测项目为从项目库中随机选取的预先设定数量的项步骤S230，获取用户与每个待预测项目的3步骤S240，基于所述用户的动态偏好表示和所述用步骤S250，基于所述用户与每个待预测项目的目所有可能交互路径的相关性分数作为所述推函数还包括四种结构约束方式中知识图谱三元组第一实体通过关系得到的表示与第二实所述第一项目完整表示获取模块，配置为分别获取用户所述第一交互表示获取模块，配置为获取用完整表示之间的语义路径表示，通过第四网络模型分别获取用户和各项目之间的交互表所述用户的动态偏好获取模块，配置为基于4所述第二项目完整表示获取模块，配置为分别获取待预所述第二交互表示获取模块，配置为获取用户与每个待所述交互概率获取模块，配置为基于所述用户的动态所述推荐结果获取模块，配置为基于所述用户与每个待执行以实现权利要求1-8中任一权利要求所述的基于知识图谱的用户建模方法，或权利要5[0003]序列推荐系统致力于通过用户的历史行为序列信息分析和满足用户当前的可解释性的个性化推荐，以使用户明确理解为什么推荐系统将当前的候选项目推荐给他/第二网络模型获取所述用户的动态偏好表示；所述第二网络模型基于自注意力网络搭建，6[0011]在一些优选的实施方式中，所述视觉特征为从所述项目的图片中提取的图像特c2c:hz+r⃞tf为以内容特征表示的第二实体，为以结构特征[0020]步骤S220，分别获取待预测项目序列中每个项目的内容特征表示和结构特征表7谱三元组第一实体通过关系得到的表示与第二实体项目的结构特征表示基于预设的知识图谱中实体8统在输出推荐结果的同时还能够输出解释的功能提9一种实施例的各步骤的模型获取进行展开描述，最后结合图3对本发明方法一种实施例的[0059]一般的用户行为可以用用户和项目之间的二元关系来表示。定义用户集合为U=开源工具fastText提取文本表示。具体来说，通过预训练的英语单词向量模型(Englishwordvectors)提取了每个单词300维的嵌入表示w，通过将所有标题和描述中的单词的表[0063]关于视觉特征，通过收集项目的视觉描述，比如通过对应的项目编码(如电影编利用在ImageNet数据集上的预训练模型AlexNet来提取图片的4096维图像特征，由于视觉信息中可能存在冗余和噪声，因此利用主成分分析法PCA将视觉高维特征进行降维，得到[0068]关系r在所有约束中共享同一个表示。多模态融合的作用是构建用户和项目更完45[0088]需要注意的是，P{u,i}中的第一个实体ei必须是用户u,对应的关系是“交互[0098]在路径集合P{u,i}中的每条路径的长度都可能不同。由于不同用户-项目对之间路径的语义嵌入表示由于每条路径都是由不同的中间实体过多层感知机求得query与每条路径的隐藏层特征向量，然后计算两个特征向量之间的Cosin相似度；最后使用softmax函数对这些权重进行归一化，得到各路径的权重w(P(u,mi(19)和W取每个电影的视觉特征、通过fastText提取电影标题和描述的文本特征，从知识库en之间的一个序列,由实体和连接实体的关系组成。通过语义路径建模对语义路径进行编好表示Bemb.。[0117]步骤S220，分别获取待预测项目序列中每个项目的内容特征表示和结构特征表[0119]步骤S240，基于用户的动态偏好表示和用户和每个待预测项从用户未观看过的电影集合中随机选择100个电[0125]推荐系统的目标是使作为推荐结果的待预测项目v的排序高于其他项目v'(v'e=I不含v}),因此本实施例将推荐损失函数定义为交叉熵损失，如式p-logo[D(uv)-D(uv')](24)[0132]步骤S210-步骤S230具体过程可参见前述基于知识图谱的用户建模方法中的步骤[0133]将步骤S220-步骤S230得到的用户和每个待预测项目之间的交互表示以及通过上[0138]为了评估本发明，本发明的一个实施例基于电影领域数据集MovieLens-20M和知识图谱Freebase进行研究实验。表1给出了本发明一种实施例和其他方法在不同评价指标上的推荐准确率的比较，可以看出本发明的方法在用户建模与序列推荐上有着显著的效[0150]NDCG@5：对前5项计算归一化折现累积增益NDCG(normalizeddiscounted[0151]NDCG@10：对前10项计算归一化折现累积增益NDCG(normalizeddiscounted[0152]表1中每个单元格上面的数据为各推荐方法在不同评价指标的测试结果，括号中完整表示之间的语义路径表示，通过第四网络模型分别获取用户和各项目之间的交互表络模型基于自注意力网络构建，用于基于用户与每个待预测项目之间的多条语义路径表