买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东北大学秦皇岛分校

摘要：本发明提供一种基于传播的知识图谱推荐方法，涉及推荐系统技术领域。由双端知识传播模块、循环注意力嵌入模块、推荐预测模块以及推荐解释模块组成。双端知识传播模块包括双端传播和双向知识传播，双端传播进行用户和物品信息的知识映射，双向知识传播是将用户和物品的信息在知识图谱上进行传播更新；循环注意力嵌入模块采用基于循环神经网络的注意力机制，学习实体迭代更新过程中邻居实体的权重；推荐预测模块通过聚合知识传播后得到的多层向量表示更新用户和物品嵌入向量，并采用内积操作得到最终的预测交互概率；推荐解释模块通过融合用户—物品交互图和知识图谱，挖掘目标用户到推荐结果之间的潜在联系，并以图结构的形式给出解释结果。

主权项：1.一种基于传播的知识图谱推荐方法，其特征在于，具体包括以下步骤：步骤1：对目标用户和参与推荐的物品信息在知识图谱上进行双端知识传播；双端知识传播包括双端传播和双向知识传播；得到用户和物品l跳邻居实体集；步骤2：采用循环注意力嵌入聚合传播过程中l跳邻居实体集的信息；步骤3：对目标用户u和参与推荐的物品v的交互概率进行预测；步骤4：对上述三个步骤得到的推荐结果进行解释；为了增加对推荐结果的理解，提出一种针对推荐结果的图形化的直观后解释方法；步骤5：对步骤1-步骤3推荐过程进行训练优化；训练结束后，执行步骤1-步骤3对目标用户进行推荐；所述步骤1具体为：步骤1.1：对目标用户和参与推荐的物品信息进行双端传播；对于用户u来说，从其历史交互数据中找到该用户曾经交互过得物品v，然后物品v与知识图谱中实体e之间进行映射，获得用户u知识传播的初始实体集；同时对于物品v，直接将物品v与知识图谱中的实体e进行映射匹配，将实体e作为物品v知识传播的初始实体集；其中用户u和物品v的初始实体集定义如下： 其中，yuv＝1表示用户u和物品v之间存在交互；A表示表示物品和实体之间的映射集合；步骤1.2：对用户和物品的初始实体集进行双向知识传播；知识图谱G在形式上被表示为{h,r,th,t∈ε,r∈R}三元组的形式，其中h代表三元组的头实体，r表示三元组的关系，t表示三元组的尾实体，ε和R分别表示知识图谱G的实体集和关系集；采用双向知识传播的思想对用户u和物品v的初始实体集进行知识传播，获得初始实体集的l跳邻居实体集；借此来挖掘知识图谱中含有的高阶语义信息，帮助提高推荐的精度；将用户u和物品v的l跳邻居实体集定义如下： 其中l表示从初始实体集向外传播的距离，下角标w表示用户u和物品v的统一占位符；在l跳邻居实体集的定义基础上，给定用户u和物品v的l跳传播集如下： 其中r'表示关系r的反向；所述步骤2具体为：知识图谱G表示为{h,r,th,t∈ε,r∈R}，其中每一个三元组描述了头实体h和尾实体t存在着关系r这一事实；知识图谱中每一个三元组的头实体和尾实体的相关性决定于它们之间的关系；步骤2.1：设h,r,t是l跳传播集的第k个三元组，考虑某一头实体，其相关尾实体的循环注意力嵌入定义如下： 对于当前三元组而言，是头实体的嵌入向量，rk是关系的嵌入向量，是尾实体的嵌入向量，同时作为注意力权重控制实体信息传播过程中的衰减；该循环注意力机制定义如下： zk＝tanhWzxk+Whh0+bzfk＝σWfxk+Whh0+bfik＝σWixk+Whh0+biok＝σWoxk+Whh0+bock＝fk⊙c0+ik⊙zk 其中h0，c0表示随机初始化的隐藏状态，Wz，Wi，Wf，Wo，Wh表示可训练的权重矩阵，同时bz，bi，bf和bo表示偏差；ik，ok和fk分别表示输入、输出和遗忘门；σ表示Sigmoid激活函数，⊙是向量的元素级乘积；步骤2.2：采用softmax函数来对用户u和物品v的l跳传播集中的三元组的权重进行归一化处理： 其中，h',r',t'表示当前传播集中任意一个三元组，和分别表示三元组h',r',t'中头实体和关系的嵌入向量表示；步骤2.3：通过上述步骤1以及步骤2.1和2.2，得到用户u和物品v的l跳实体信息表示，其定义如下： 其中，w表示用户u和物品v的统一占位符，表示用户u和物品v在第l层传播集三元组的个数；l层即l跳；步骤2.4：对于最终的用户和物品的向量表示，还需要将知识传播的起点即初始实体向量表示纳入最终的用户和物品多层向量表示集；用户u和物品v的初始实体向量表示定义如下： 用户u和物品v的信息在经过多层知识传播之后，得到最终的用户和物品的多层实体向量表示集： 所述步骤3具体为：在最终的预测之前需要将用户u和物品v的多层实体向量表示聚合为单个的用户和物品向量表示；在此，采用了连接聚合方式来实现多层到单个的向量聚合：连接聚合：将多层实体向量表示进行连接操作，然后进行非线性变换的处理： 其中W1和b1分别表示转换权重矩阵和偏差，σ是非线性激活函数Sigmoid，||表示连接操作；使用表示用户u最终的向量表示，使用代表物品v最终的向量表示；最后，对用户和物品的最终向量使用内积来预测用户u对物品v的偏好得分： 所述步骤4具体为：步骤4.1：首先从用户—物品交互矩阵Y中提取每条用户和物品之间的交互信息以三元组的形式保存；若用户u和物品v之间存在历史交互，则会存在{u,user.interact,vu,v∈Y}三元组表示；步骤4.2：遵循构建知识图谱的思想构建用户—物品交互图，通过用户—物品交互图中的物品和知识图谱中的实体映射将二者融为交互知识图作为解释的准备条件；步骤4.3：针对推荐部分给出的推荐结果；将用户和推荐结果中的每个物品以用户—物品对u,v'的形式引入到构建好的交互知识图中，挖掘图中存在的用户与用户之间、用户与物品之间、物品与物品之间的潜在联系，从该用户出发探索图中存在的用户到推荐物品的路径语义信息，提取多条关系密切的用户到物品的路径，并将路径整合以图结构化的形式输出出来作为模型对推荐物品的解释。

全文数据：

权利要求：

百度查询： 东北大学秦皇岛分校 一种基于传播的知识图谱推荐方法