(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210338588.6 (22)申请日 2022.04.01 (71)申请人 上海电力大 学 地址 201306 上海市浦东 新区沪城环路 1851号 (72)发明人 孙云芸　李海明　 (74)专利代理 机构 上海德昭知识产权代理有限 公司 31204 专利代理师 陈龙梅 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/9535(2019.01) G06F 16/9536(2019.01) (54)发明名称 一种基于知识图谱嵌入的协同过滤推荐方 法 (57)摘要 本发明公开了一种基于知识图谱嵌入的协 同过滤推荐方法， 包括： 步骤1， 在结构化知识特 征提取阶段， 基于用户 ‑项目历史交互和Satori 知识图谱构建子知识图谱， 然后通过改进的知识 图嵌入方法从子知识 图谱中寻找结构化知识的 潜在向量表示， 得到结构化嵌入向量， 以此获得 具有知识感知的项目表征； 步骤2， 在联合学习阶 段， 基于结构化嵌入向量和非结构化项目特征向 量构建最终的项目潜在向量表征， 并采用协同过 滤的推荐方法， 将结构化 嵌入向量与非结构化项 目特征向量的信息嵌入到统一的向量空间中； 步 骤3， 在推荐列表生成阶段， 使用用户向量表征和 最终的项目潜在向量表征的内积作为用户的偏 好概率值， 并以用户的偏好概率值为目标生成个 性化的推荐列表。 权利要求书1页 说明书4页 附图1页 CN 114676269 A 2022.06.28 CN 114676269 A 1.一种基于知识图谱嵌入的协同过 滤推荐方法， 其特 征在于， 包括以下步骤： 步骤1， 在结构化知识特征提取阶段， 基于用户 ‑项目历史交互和Satori知识图谱构建 子知识图谱， 然后通过改进的知识图嵌入方法从所述子知识图谱中寻找结构化知识的潜在 向量表示， 得到结构化嵌入向量， 以此获得 具有知识感知的项目表征； 步骤2， 在联合学习阶段， 基于所述结构化嵌入向量和非结构化项目特征向量构建最终 的项目潜在向量表征， 并采用协同过滤 的推荐方法， 将所述结构化嵌入向量与所述非结构 化项目特 征向量的信息嵌入到统一的向量空间中； 步骤3， 在推荐列表生成阶段， 使用用户向量表征和所述最终的项目潜在向量表征的内 积作为用户的偏好 概率值， 并以所述用户的偏好 概率值为目标生成个性 化的推荐列表。 2.根据权利要求1所述的基于知识图谱嵌入的协同过 滤推荐方法， 其特 征在于： 其中， 步骤1中， 以推荐系统中所述用户 ‑项目历史交互和所述Satori知识图谱作为输 入， 提取与项目相关的实体来构建所述子知识图谱。 3.根据权利要求1所述的基于知识图谱嵌入的协同过 滤推荐方法， 其特 征在于： 其中， 步骤2中， 将知识图谱中的所述结构化嵌入向量和所述非结构化项目特征向量以 按元素位置相加的方式集成在一 起， 构建所述 最终的项目潜在向量表征。 4.根据权利要求1所述的基于知识图谱嵌入的协同过滤推荐方法， 其特征在于， 还包 括： 其中， 步骤2中， 所述协同过滤的推荐方法通过优化项目之间的成对排序函数， 将结构 化与非结构的信息嵌入到统一的向量空间中。 5.根据权利要求1所述的基于知识图谱嵌入的协同过滤推荐方法， 其特征在于， 还包 括： 步骤4， 检测阶段， 在所述检测阶段， 采集不同领域的数据， 带入模型， 进行个性化推荐， 获得最优检测结 果。权　利　要　求　书 1/1 页 2 CN 114676269 A 2一种基于知识图谱 嵌入的协同 过滤推荐方 法 技术领域 [0001]本发明属于计算机应用领域， 具体涉及一种基于知识图谱 嵌入的协同过滤推荐方 法。 背景技术 [0002]近年来， 随着购物、 新闻、 阅读、 音乐、 视频平台和社交媒体网站等网络应用的快速 发展， 用户不得不从铺天盖地的信息中选择自己喜欢的内容。 在这种情况下， 推荐系统作为 一种缓解信息过 载的工具， 需要帮助用户从不断增长的海量数据中发掘个性 化的兴趣。 [0003]为了实现个性化推荐， 传统的协同过滤方法利用各种用户在线的非结构化数据， 如点击、 评 分等， 并根据这些历史信息， 预测用户对项目的偏好。 一般而言， 可学习的协同过 滤模型由嵌入和交互数据建模两个部 分组成。 其中， 嵌入是将用户和项目转换为向量形式, 而交互数据建模则是基于嵌入的向量 来重构用户、 项目的历史 交互信息。 [0004]例如， 矩阵分解模型直接将用户和项目的ID表示为向量形式， 并通过内积的方式 对他们的交互进 行建模； 神经协同过滤模型使用非线性神经网络代替矩阵分解模型中的内 积交互函数； 基于翻译的协同过滤模型使用欧几里德距离度量作为预测推荐 结果的交互函 数。 然而这些方法因为仅考虑了用户、 项目的ID或属性这类描述性特征来构建嵌入函数， 可 能会导致协同过滤算法难以产生令人满意的嵌入向量， 并且当交互函数更深入地挖掘复杂 的用户‑项目关系时， 这些方法还会趋于过度拟合， 使稀疏性问题更加严重。 因此， 研究者提 出在推荐系统中使用辅助信息来丰富项目的语义表示， 如社交网络、 属性和多媒体。 [0005]知识图谱作为一种含有丰富结构化语义知识的辅助信息， 在提高推荐的准确性和 可解释性方面表现出了巨大的潜力。 知识图谱 是一种机器可理解的并以图的形式存储 现实 世界中客观事实的异构信息网络， 图中的节点表示实体， 即现实世界中的相关概念、 属性 等， 与之相连 的边表示不同实体之间的关系。 知识图谱通过不同类型 的关系构建了项目之 间的链接， 从而捕获项目之 间的语义相关性， 扩充了项目的内在特征。 与没有知识图谱辅助 的推荐模型相比， 使用知识图谱辅助的推荐模型 可以让推荐结果更加准确 和多样。 [0006]虽然知识图谱有着上述优点， 但是开发基于知识图谱的推荐系统存在两个关键问 题， 第一是如何为推荐项目获取丰富的结构化知识信息， 第二是如何发掘知识图谱定义的 用户特定项目和图中实体之间的语义关联性。 对于第一个问题， 现有的研究一般有两种处 理方法： a)通过搜集各种辅助信息来制作结构化的项目知识。 该方法一般先从推荐系统平 台上收集辅助信息作为上下文 特征， 然后再将其构建为少量而简单的类似于知识库的结构 化信息。 但这种知识库拥有的与项目相关的属 性和关系 数量通常很少， 并且大部分有用的 项目信息也可能会丢失。 b)使用外 部构建好的知识图谱来丰富项目的语义特 征。 发明内容 [0007]本发明是为了解决上述问题而进行的， 目的在于提供一种基于知识图谱 嵌入的协 同过滤推荐方法。说　明　书 1/4 页 3 CN 114676269 A 3