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：辽宁师范大学

摘要：本发明公开基于知识图谱采样和共现图聚合的长尾推荐算法，步骤如下：构造用户‑物品二部图、知识图谱和协同知识图；在协同知识图上，为每个用户提取其感兴趣的实体节点；为每个用户计算其感兴趣的物品节点；将选择的用户感兴趣的物品节点集合替换用户原始的交互物品集合；基于物品的相同邻居数量构建共现图，并合并共现图与协同知识图；基于每个节点和邻居节点的关系生成注意力权重，并聚合邻居节点信息；分别将得到的用户和物品的嵌入串联得到最终的用户向量和物品向量，预测该用户和该物品的交互评分，预测评分的降序排序集合的前N项作为推荐结果。本发明可以在维持推荐精度的基础上，提高长尾推荐性能。

主权项：1.一种基于知识图谱采样和共现图聚合的长尾推荐算法，其特征在于依次按照如下步骤进行：步骤1.获取用户-物品二部图G1＝{u,i|u∈U,i∈I}、知识图谱G2＝{h,r,t|h,t∈E,r∈R}和协同知识图G3＝{h,r,t|h,t∈E′,r∈R′}；所述二部图G1中，u,i表示用户u与物品i有过交互，U＝{u1,u2,…,u|U|}表示用户集合，I＝{i1,i2,…,i|I|}表示物品集合；知识图谱G2中，E＝{h1,h2,…,h|E|}表示实体集合，R＝{r1,r2,…,r|R|}表示关系集合；协同知识图谱G3中，E′＝E∪U,R′＝R∪{交互}，|U|表示用户的总数量，|I|表示物品的总数量，|E|表示实体的总数量，|R|表示关系的总数量；令用户u的一阶近邻的集合为Nu；令物品i的一阶近邻的集合为Ni；令属性h的一阶近邻的集合为Nh；步骤2.在协同知识图谱G3上，为每个用户计算其感兴趣的实体节点；从用户交互过的物品i∈Nu出发，对于与i相连的每个实体节点h∈Ni，按式1计算用户对这些实体节点的喜欢程度pu,i,h，然后选出评分最高的实体节点，对于用户的多组交互，将所有选出的实体节点记作Eu＝{h1,h2,…,hk}； 其中，eu,ei,eh分别表示用户u，物品i，实体h的向量表示，T表示矩阵转置操作，通过预训练的方式获得，⊙表示元素乘积，σ表示激活函数，被设置为Softmax；步骤3.为每个用户计算其感兴趣的物品节点；对于选取的每一个实体节点h∈Eu，按照式2、3计算用户对于h向量的物品节点i∈Nh的喜欢程度qu,h,i； ωi＝logτpopi3其中，ωi表示一个缩放函数，基于物品i的流行度对评分进行缩放；τ是一个超参数，用于控制缩放程度；popi是一个表示物品i的流行度，被定义为其在训练集中的交互次数；选择评分最高的物品，并将选出的物品记作Iu＝{i1,i2,…,ik}；步骤4.将Iu替换用户原始的一阶近邻Nu，如式4所示作为用户u新的一阶近邻，N′u＝Iu4步骤5.基于物品的相同邻居数量构建共现图Gco，并将Gco与协同知识图G合并，记作G4；对于任意两个物品im,in，以式5为标准在二者间建立共现边： 其中，frm,n表示物品im和物品in在G3中的相同邻居节点数量，x表示一个阈值，超过该阈值的两个物品才建立共现边，然后用按照式6合并共现图Gco与协同知识图G3：G4＝{h,r,t|h,t∈E′,r∈R′∪{Co-occurence}}6其中，{Co-occurence}表示为共现关系；步骤6.基于每个节点和邻居节点的关系生成注意力权重，并聚合邻居节点信息；步骤6.1对于任意三元组h,r,t∈G4，按照式7基于不同关系生成的注意力权重如下：π′h,r,t＝WretTtanhWreh+er7其中Wr是基于r关系下的可训练变换矩阵，eh,er,et分别对应头实体嵌入、关系嵌入、尾实体嵌入，T表示矩阵转置操作，再按照式8使用softmax进行标准化： 步骤6.2.对所有以h为头实体的三元组使用式9进行加权求和得到邻居信息： 其中，头实体h是用户节点、物品节点或实体节点，Nh表示头实体h的邻居集合，表示头实体h的邻域信息的第l阶表示；每个头实体的高阶表示按照式10由它的低阶嵌入表示和低阶的邻域信息求得： 其中，W1,W2是可训练变换矩阵；步骤7将按照式10得到的各阶用户嵌入和各阶物品嵌入，分别按照式11、12进行串联得到最终的用户向量和物品向量，再按照式13通过内积进行预测评分： 通过选取所述预测评分的降序排序集合的前N项作为推荐结果，并推荐给用户u。

全文数据：

权利要求：

百度查询： 辽宁师范大学 一种基于知识图谱采样和共现图聚合的长尾推荐算法