CN115329215B 异构网络中基于自适应动态知识图谱的推 荐方法及系统 （北京建筑大学）

异构网络中基于自适应动态知识图谱的推本发明涉及一种异构网络中基于自适应动2在时间仓内利用图注意力网络提取用户的短期偏好特征，并根在基础知识图谱中将属于系数阈值范围的多元注意力系数所根据实时知识图谱筛选项目簇并组成每个用户根据每个用户簇的种子集合，利用RippleNet模型预测每个用户簇点击种子集合中每所述用户的短期偏好特征包括用户的潜在特征、用户交互项目的潜在特征、项owe表示在时间仓TIa下目标项目与其他项目进行的交互嵌入，表示项目与项目的潜3利用公式计算关系集合中每个关系的权将用户集合、项目集合、关系集合和每个关系的权值构成用户以及项a利用公式计算用户交互项目的潜在u-v表示融合用户历史交互过的显性感兴趣的项目与用户通过元路径间接交利用公式计算项目与项目的潜在特v-v表示融合与目标项目有直接相关信息以及间接相关信息的聚合函数，Div表利用公式计算与用户偏好无关的虚拟关系4确定用户簇与项目簇的交互矩阵为y=(c,c,Icicu,c,c};式中，Vc.c,表示交沿着图数据的元路径有间接交互；当时，表示用户簇与yc,c,=-1时，表示用户簇与目标用户簇的关系为厌恶关系或者相关的项目为不喜欢项将和yc,c,=0对应的项目簇组成每个用户簇的种子集合。异构网络构建模块，用于根据用户以及项目之间复杂注意力系数计算模块，用于在时间仓内利用图注意力网络提取用户的短期偏好特征，知识图谱更新模块，用于在基础知识图谱中将属于系数分簇模块，用于对实时知识图谱中的用户和项目进行分簇，获得多推荐结果生成模块，用于将最大概率值对应的项所述用户的短期偏好特征包括用户的潜在特征、用户交互项目的潜在特征、项计算邻域用户的注意力系数；式中，5第二注意力系数计算子模块，用于根据用户交互项目的潜在特征，采用公式计算邻域项目的注意力系数；式中，表示邻域项目的注意力系数；表示在时间TIa下用户对其他项目进行的交第三注意力系数计算子模块，用于根据项目与项目的潜在特征，采用公式计算交互项目的注意力系数；第四注意力系数计算子模块，用于根据与用户偏好无关的感兴趣的项目与用户通过元路径间接交互的隐性项目的聚合函数，Exv表示用户历史交互第四潜在特征计算子模块，用于利用公式6r个用户簇，Cu,包含A个用户；cr表示第vr个项目簇，cr包含式中，yc,表示交互矩阵元素，Y.c,的取值为0、1和_1；当y,c,-l时，表示用户簇与项目簇有直接交互或者沿着图数据的元路径有间接交互；当户簇的关系为厌恶关系或者相关的项目为不喜欢项种子集合组成子模块，用于将和yc,c,=0对应的项目簇组成每个用户簇的7了快速准确地为用户提供最合适的资源，推荐系统被运用到各个领域当中，如新闻推荐、由于网络流行趋势或者突发舆论事件，用户可能会产生与长期偏好有所不同的短期偏好。8[0008]知识图谱旨在描述真实世界中存在的各种实体或概念，以及他们之间的关联关[0009]常见的知识图谱方法主要包括三种典型方法为RippleNet。第二类方法通过融合物品在知识图谱中相连实体的方式来重定义[0010]基于深度学习的方法在提取项目特征或用户社交关系的[0011]现有研究通过加入知识图谱的辅助信息来解决数据稀疏和冷启动问题取得了一9[0014]有研究使用CKE框架结合TransR异构网络嵌入方法，通过节点和边的异构性来获取项目的结构表示，应用堆积式去噪自动编码器和堆积式卷积自动编码器这两者嵌入技[0016]有研究针对标签数据中不同类别对象构建异构网络[0020]有研究提出了一种融合了知识图谱信息和短期偏好的推荐模型(MKASR)，通过[0022]有研究提出基于知识图谱的网络用户长短期偏好推荐算行为与推荐结果,最终将项目嵌入到网络用户长短期学习中，实现网络用户长短期偏好推[0023]有研究提出了时间间隔感知的动态知识图谱表示方法TDG2E。该方法按照时间节点将动态知识图谱切割成了不同的静态子知识图谱，随后使用GRU对各个静态子知识图谱[0026]2018年Petar等人发表文章提出了一种应用于图结构数据的图注意力网络。图注[0027]有研究使用深度知识感知网络DKN基于项目内容进行点击率预测，通过多通道的项目_实体感知网络来融合新闻语义层面和知识层面的表示关系，并加入注意力模块来动[0028]有研究提出了一个模型KG_IGAT，该模型充分利用了嵌入传播过程中中心节点和[0031]本发明的目的是提供一种异构网络中基于自适应动态知识图谱的推荐方法及系[0040]根据每个用户簇的种子集合，利用RippleNet模型预测每个用户簇点击种子集合[0046]利用公式计算关系集合中每个关系的[0052]利用公式计算用户的潜在特uu表示融合用户显式好友与隐式好友的聚合函数，表示在时间仓TIa下用户对其他用户进行uv表示融合用户历史交互过的显性计算邻域项目的注意力系数；式中，表示邻域[0056]利用公式计算项目与项目的潜以及间接相关信息的聚合函数，表示在时间仓TIa下目标项目与其他项目进行的交互[0057]根据项目与项目的潜在特征，采用公式[0058]利用公式计算与用户偏好无关的虚拟r当yc,c,=-1时，表示用户簇与目标用户簇的关系为厌恶关系或者相关的项目为不喜欢[0074]推荐结果生成模块，用于将最大概率值对应的项目簇作为每个用户簇的推荐结[0077]第一潜在特征计算子模块，用于利用公式[0078]第一注意力系数计算子模块，用于根据用户的潜在特征，采用公式计算邻域用户的注意力系数；式中，[0079]第二潜在特征计算子模块，用于利用公式Im,})+b),计算用户交互项目的潜在特征；式中，表示用户交互项目的潜在特征，AFu-v表示融合用户历史交互过的显性感兴趣的项目与用户通过元路径间接交互的隐性项[0080]第二注意力系数计算子模块，用于根据用户交互项目的潜在特征，采用公式计算邻域项目的注意力系数；[0081]第三潜在特征计算子模块，用于利用公式示融合与目标项目有直接相关信息以及间接相关信息的聚合函数，表示在时间仓TIa[0082]第三注意力系数计算子模块，用于根据项目与项目的潜在特征，采用公式计算交互项目的注意力系数；用公式计算虚拟关系项目的注意力系cr表示第vr个项目簇，cr包含B时，表示用户簇与项目簇有直接交互或者沿着图数据的元路径有间接交互；当[0090]种子集合组成子模块，用[0094]图1为本发明实施例提供的异构网络中基于自适应动态知识图谱的推荐方法的流[0095]图2为本发明实施例提供的异构网络中基于自适应动态知识图谱的推荐方法的整[0100]本发明的目的是提供一种异构网络中基于自适应动态知识图谱的推荐方法及系RippleNet结构处理，将分簇的节点作为种子，用户明确表示不喜欢的项目不进行概率计TryFrMY>,ie[1,Nl其中关系ri权[0110]we,=y朋友，Client表示客户，workfanatic表示工作狂，Anxietytendencies表示焦虑倾向，attention表示关注，like表示喜欢，related表示相关的，interested表示感兴趣，目与邻域用户对目标用户的偏好进行扩展延伸得到更加具有个性化以及全方位的推荐结程如下所示。[0134]其中σ表示非线性激活函数，AFu-u为融合用户历史交互过的显性感兴趣的项目与表示：[0140]对于项目之间的交互信息，重点关注历史交互项目与邻[0142]其中σ表示非线性激活函数，AFv-v为融合与目标项目有直接相关信息以及间接相表示：[0159]用户簇表示为项目簇表示为包含A[0163]其中当用户簇与项目簇有直接或者沿着图数据的元路径有间接交互的，设定为Yc,c,=1,当用户簇与项目簇无交互信息时yc,c,=0,当yc,c,=-1时包含以下情况，况下的项目绝对不会当做种子集推荐给用户簇，而对于yc,c,=0的项目簇会进行随机的1,yc,c,=0},表示交互项目以及随机选取的不相关项目簇，作为用户簇在知识图谱上[0187]本发明提出一种异构网络中基于自适应动态知识图谱的推荐系统(ADKHN，RecommenderSystemBasedonAdaptiveDynamicKnowledgeGraphinHeterogeneous[0191](2)选择关注用户的短期偏好，关注时间信息以及网络舆论对用户短期行为的影[0192](3)图注意力网络不同于先前一些基于谱域的图神经网络，可以通过注意力机制[0203]推荐结果生成模块，用于将最大概率值对应的项目簇作为每个用户簇的推荐结[0206]第一潜在特征计算子模块，用于利用公式u-u表示融合用户显式好友与隐式好友的聚合函数，表示在[0207]第一注意力系数计算子模块，用于根据用户的潜在特征，采用公式计算邻域用户的注意力系数；式中，[0208]第二潜在特征计算子模块，用于利用公式计算用户交互项目的潜在特征；式中，表示用户交互项目的潜在特征，AFu-v表示融合用户历史交互过的显性感兴趣的项目与用户通过元路径间接交互的隐性项[0209]第二注意力系数计算子模块，用于根据用户交互项目的潜在特征，采用公式计算邻域项目的注意力系数；[0210]第三潜在特征计算子模块，用于利用公式示融合与目标项目有直接相关信息以及间接相关信息的聚合函数，o"e表示在时间仓TIa[0211]第三注意力系数计算子模块，用于根据项目与项目的潜在特征，采用公式计算交互项目的注意力系数；[0212]第四潜在特征计算子模块，用于利用公式f-o(w-u…v