CN118377979B 基于时序知识图谱的兴趣点推 荐方法、介质及电子设备 （杭州电子科技大学）

本发明公开了一种基于时序知识图谱的兴学习用户随时间变化的兴趣偏好和不随时间变感嵌入序列从两个知识图谱中提取兴趣点融合2进行用户分组的群组关系；入序列；识融合模块基于异构互注意力机制对动态时序知识图谱和静态群组知识图谱进行融合操S31、将动态时序知识图谱和静态群组知识图谱分别输入异构图注意力网络中进行信的用户行为轨迹嵌入和原始用户行为轨迹嵌入进行融合，得到融合后的用户行为轨迹嵌特征作为键，将所述融合后的静态群组知识图谱中所有用户的用户嵌入特征表示作为查3点聚类划分得到的兴趣点级别群组和基于访问的Geohash_5空间区域聚类划分得到的区域,其中超参数表示偏离角度的增nf"和分别代表实体集合v中第i个实体在融合后的动态时序知识图谱和融合后计算机程序被处理器执行时，实现如权利要求1~6任一所述的基于时序知识图谱的兴趣点4[0003]在现有技术中，许多基于图神经网络的方法通过学习全局的用户和POI特征取得历史轨迹中所包含的行为模式信息也没有得到有效地划分，不利于用户个性化偏好的学5态知识融合模块基于异构互注意力机制对动态时序知识图谱和静态群组知识图谱进行融类划分得到的兴趣点级别群组和基于访问的Geohash_5空间区域聚类划分得到的区域级别[0016]S31、将动态时序知识图谱和静态群组知识图谱分别输入异构图注意力网络中进6[0020]作为上述第一方面的优选，所述兴趣点推荐模型需预先通过总损失函数进行优模型输出的预测值与标签值之间的交叉熵损失，任意第x个历史时间片的所述静态图损失离角度的增大速度，Ivl表示静态群组知识图谱中由所有用户和所有兴趣点构成的实体集合v中的实体数量，np"和Hf"分别代表实体集合v中第i个实体在融图谱和融合后的静态群组知识图谱中对应的嵌入程序/指令被处理器执行时，能实现如上述第一方面任一项方案所述的基于时序知识图谱[0032]图4为本发明实施例中以用户B为示例的动态时序知识图谱以及从中提取用户行7不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有方法具体通过以下S1~S3步骤来实现。该兴趣点推荐方法能够以用户的历史签到数据和多模态信息为基础，运用深度学习方法建立了一个网络框架如图2所示的深度学习模型来提间跨度按照固定间隔T划分为一系列的历史时间片，每个历史时间片的所有轨迹段可以构8时间片的动态关系知识图谱中包含了所有的用户和兴趣点POI，并记录了相互之间的动态G=(G1,G2,…,Gt,…}，其中每一个动态关系知识图谱Gt=(V,R,Et)都包括用户节点、POI(u,r,l,t)构成，表示用户u在t时刻访问了地点l；以标记的跟随关系展示了两个POI之间刻访问了地点l2。固定间隔T可根据实际情况优化调整，在本发明的实施例中T设置为1个聚类划分得到的兴趣点级别群组和基于访问的Geohash_5空间区域聚类划分得到的区域级个Geohash_5空间区域的用户作为这个Geohash_5空Gst=(st,Rst,Est,c',c9)，其中包括所有类型的节点以及它们之间涉及到的5种静态关别为兴趣点类别集合和Geohash_5空间区域集置关系，它由三元组(l,r,g)构成，表示POI节点l位于区域g；以标记的相邻关系展示了属于类别；以标记的群组关系展示了基于POI和地区的用户群组关系，它由三元组9群组ce[c',c9]。[0045]本发明采用的Geohash_5空间区域可通过Geohash算法对整个地理空间进行编码[0046]上述动态时序知识图谱基于用户实体、兴趣点实体以及它们之间的动态关系构正负面得分拼接后输出为用户评论文本对应的情[0053]S21、在大规模语料库即BookCorpus数据集和英文维基百科数据上，对DistilBERT预训练模型得到用户评论文本z的嵌入表示ezeRd，然后利用多分类器计算它"[0057]其中arecA,ie[1,lcAI]表示情感嵌入AeR2lAl：和,"的真值标签，使用交叉熵损失函数，即可分别计算评论维度入顺次拼接即可得到用户评论情感嵌入序列。点类别和Geohash_5空间区域这四类实体进行Embedding操作，分别得到维度为的四种特征向量表示，即对应四种词向量：用户词向量，POI词向量e,eRd，类别词向量eceRd和地区词向量e,eR4，d优选为64。成用户行为轨迹嵌入。而静态群组知识图谱中的用户行为轨迹嵌入也按照相似做法提取，个兴趣点的兴趣点级别群组特征el和区域级别群组特征，所有访问过的兴趣点的el组成总的兴趣点级别群组特征pl，所有访问过的兴趣点的e9组成总的兴趣点级别群组特征EI。有用户的用户词向量的平均值构成这个POI的区域级[0073]上述原始用户行为轨迹嵌入是指从未经过HGT网络融合的动态时序知识图谱中按嵌入。对于一条历史行为轨迹子串s(u)，可将带有全局时间片信息的用户行为轨迹用户评论情感嵌入向量，W,w2eR*1,b,b,eRd均为可学习参数，为融合后的用户行[0082]其中：LayerNorm表示层归一化操作；Attention表示多头注意力机制，其中的图谱中所有用户u的用户嵌入特征表示记为9"，则上述融[0098]6x=min(yx,90')[0101]其中Ivl表示静态群组知识图谱中由所有用户和所有兴趣点构成的实体集合v中和f分别代表v中第i个实体在融合后的动态时序知识图谱和融合后的[0104]其中de[0,0.1]为超参数，用来平衡兴趣点预测损失cpoi以及所有历史时间片的静态图损失之和cst。基于时序知识图谱的兴趣点推荐方法对应的一种计算机电子设备，其包括存储器和处理的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件[0115]可以理解的是，上述的处理器可以是通用处理器，包括中央处理器(Central[0117]下面本发明将进一步通过一个具体实施例，来展示上述S1~S3步骤所示的基于时[0119]本实施例的步骤与前述S1~S3步骤所示的基于时序知识图谱的兴趣点推荐方法相[0120]本实施例所用的原始数据为三个广泛使用的真实场景数据集：Foursquare、次签到行为；在Foursquare数据集中有46065个用户在共计69005个地点中发生的9447873次签到行为；在Yelp数据集中有9627个用户在共计8696个地点中发生的632476次签到行量维度d为64；HGT堆叠层数l取1，注意力头数h取1；静态图损失的加权权重超参数λ为以及轨迹序列的递归神经网络4）STAN：一个基于空间_时间注意力的双层注意力网络；隐藏层与当前隐藏层上下文信息的循环神经网络7）GETN