(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 202210216014.1 (22)申请日 2022.03.07 (71)申请人 海南大学 地址 570203 海南省海口市人民大道58号 海南大学 (72)发明人 黎楷文　叶春杨　周辉　 (74)专利代理 机构 海南盛亿专利代理事务所 (普通合伙) 46005 专利代理师 陈景帅 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/36(2019.01) G06F 16/35(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 30/06(2012.01) (54)发明名称 一种基于知识图谱的物品推荐方法 (57)摘要 本发明属于物品推荐技术领域， 公开了一种 基于知识图谱的物品推荐方法， 包括如下步骤： 基于知识图谱建立物品推荐预测模 型； 获取若干 推荐物品和目标用户的用户数据； 将所有推荐物 品和目标用户的用户数据输入物品推荐预测模 型进行预测， 得到所有推荐物品的物品推荐预测 结果； 根据物品推荐预测结果对 所有推荐物品进 行排序和筛选， 得到物品推荐清单。 本发明解决 了现有技术存在的物品推荐准确性低， 不符合实 际情况， 用户的使用满意度低的问题。 权利要求书1页 说明书6页 附图2页 CN 114461921 A 2022.05.10 CN 114461921 A 1.一种基于知识图谱的物品推荐方法， 其特 征在于： 包括如下步骤： 基于知识图谱建立物品推荐预测模型； 获取若干推荐物品和目标用户的用户数据； 将所有推荐物品和目标用户的用户数据输入物品推荐预测模型进行预测， 得到所有推 荐物品的物品推荐预测结果； 根据物品推荐预测结果对所有推荐物品进行排序和筛 选， 得到物品推荐清单。 2.根据权利要求1所述的基于知识图谱的物品推荐方法， 其特征在于： 所述的基于知识 图谱建立物品推荐预测模型， 包括如下步骤： 获取推荐物品训练数据集和对应的用户数据训练数据集； 基于知识图谱和 神经网络建立初始的物品推荐预测模型； 将推荐物品训练数据集和对应的用户数据训练数据集输入初始的物品推荐预测模型 进行训练， 得到最优的物品推荐预测模型。 3.根据权利要求2所述的基于知识图谱的物品推荐方法， 其特征在于： 所述的物品推荐 预测模型包括用户交互学习模块、 图卷积网络模块、 RippleNet网络模块以及全连接网络模 块。 4.根据权利要求3所述的基于知识图谱的物品推荐方法， 其特征在于： 所述的用户数据 包括目标用户的原 始的用户历史兴趣和原 始的用户特 征数据。 5.根据权利要求4所述的基于知识图谱的物品推荐方法， 其特征在于： 所述的将所有推 荐物品和目标用户的用户数据输入物品推荐预测模型进行 预测， 包括如下步骤： 将目标用户的原始的用户历史兴趣和 原始的用户特征数据输入用户交互学习 模块， 得 到提取后的用户历史兴趣和多信息交 互的用户特 征； 将提取后的用户历史兴趣和当前推荐物品输入图卷积网络模块， 得到物品表示增强的 向量； 将物品表示增强的向量输入RippleNet网络模块， 得到用户的兴趣表示和迭代后物品 的知识表示； 将提取后的用户历史兴趣、 多信 息交互的用户特征以及用户的兴趣表示输入全连接网 络模块， 得到最终的用户嵌入； 将物品表示增强的向量和迭代后物品的知识表示输入全连接网络模块， 得到最终的物 品嵌入； 根据最终的用户嵌入和最终的物品嵌入得到目标用户对当前推荐物品的点击概率， 即 当前推荐物品的物品推荐预测结果； 重复上述预测步骤， 直至得到所有推荐物品的物品推荐预测结果。 6.根据权利要求5所述的基于知识图谱的物品推荐方法， 其特征在于： 所述的用户交互 学习模块包括交叉压缩子模块、 自适应参数化 修正线性子模块、 变化层以及文本分类模型。 7.根据权利要求6所述的基于知识图谱的物品推荐方法， 其特征在于： 所述的根据物品 推荐预测结果对所有推荐物品进行排序和筛 选， 包括如下步骤： 根据目标用户对推荐物品的点击概 率将所有推荐物品进行降序排序； 将低于预设点击概 率阈值的推荐物品进行剔除， 得到物品推荐清单。权　利　要　求　书 1/1 页 2 CN 114461921 A 2一种基于知识图谱的物品推荐方 法 技术领域 [0001]本发明属于物品推荐技 术领域， 具体涉及一种基于知识图谱的物品推荐方法。 背景技术 [0002]随着信息技术的发展， 信息过载的问题日益突出， 所以使用推荐技术帮助用户从 大量的信息中挖掘到有用的信息， 并满足用户的兴趣偏好， 解决信息过载的问题。 传统的推 荐技术中最流行 的是协调过滤CF技术， 通过分析用户的历史交互， 并根据用户的共同偏好 的物品进 行推荐。 然而， 基于CF的推荐算法存在冷启动和用户物品交互的稀疏性问题， 影响 了个性化推荐的效果。 [0003]为了解决上述问题， 现有技术将知识图谱KG作为辅助信息融入推荐方法， 丰富了 实体之间的语义关联信息， 解决了数据稀疏的问题， 并提高推荐 方法的性能。 KG是一种异构 图， 式中节点作为表示的实体， 而边作为表示 实体之间的对应关系。 将物品及其属性映射到 KG中， 为物品与物品之间建立了联系， 从而为推荐的结果增强了可解释性， 具有重要的研究 意义和价值。 现在 有的基于KG的推荐方法以三种方式应用KG： 基于嵌入的方法、 基于 路径的 方法和统一的方法； 基于嵌入的方法利用KG丰富了物品或用户的表示， 但忽略了知识图谱 中信息的关联， 导致推荐方法实用性低； 基于 路径的方法探索KG中各个实体之间的联系， 为 用户提供结果的解释， 但过分依赖于手动设计的元路径； 统一方法是将基于嵌入的方法和 基于路径的方法进行结合， 利用实体间的联系来在挖掘用户的兴趣表示或物品隐含信息的 表示， 且还具有解释推荐 结果的能力， 但是忽略了用户与 物品的隐含信息 之间的相互影响， 以上方法存在的问题导致最终的物品推荐准确 性低， 不符合实际情况， 用户的使用满意度 低。 发明内容 [0004]为了解决现有技术存在的物品推荐准确性低， 不符合实际情况， 用户的使用满意 度低的问题， 提出一种基于知识图谱的物品推荐方法。 [0005]本发明所采用的技 术方案为： [0006]一种基于知识图谱的物品推荐方法， 包括如下步骤： [0007]基于知识图谱建立物品推荐预测模型； [0008]获取若干推荐物品和目标用户的用户数据； [0009]将所有推荐物品和目标用户的用户数据输入物品推荐预测模型进行预测， 得到所 有推荐物品的物品推荐预测结果； [0010]根据物品推荐预测结果对所有推荐物品进行排序和筛 选， 得到物品推荐清单。 [0011]进一步地， 基于知识图谱建立物品推荐预测模型， 包括如下步骤： [0012]获取推荐物品训练数据集和对应的用户数据训练数据集； [0013]基于知识图谱和 神经网络建立初始的物品推荐预测模型； [0014]将推荐物品训练数据集和对应的用户数据训练数据集输入初始的物品推荐预测说　明　书 1/6 页 3 CN 114461921 A 3