一种基于知识图谱的用户兴趣扩散推荐方法及系统

本发明涉及推荐系统，尤其是一种基于知识图谱的用户兴趣扩散推荐方法及系统。

背景技术：

1、随着移动互联网应用技术的快速发展，人们的各项活动早已经与互联网应用产品息息相关，各个互联网平台的用户规模和项目规模出现了爆发式增长，随之而来的数据信息远超人类大脑信息处理的范围，人们难以快速地选择自己感兴趣的内容，也就产生了“信息过载”问题。为了避免用户耗费大量的时间寻找到自己喜好的内容，推荐系统成为了当前学术界和工业界重点研究的对象。

2、推荐系统采用数据挖掘和机器学习技术从用户的需求、兴趣、历史行为等多源数据中发现用户的兴趣和意图，最终为用户生成个性化项目排序列表。其中，协同过滤算法是应用在工业界中最主流的推荐方法，它仅利用用户与项目的历史反馈数据来挖掘用户和项目本身的关联性，进而为用户推荐最可能感兴趣的内容。该算法不需要额外获取用户和项目的属性信息，可扩展性强，且在工程上极易实现，但存在用户与项目交互数据稀疏性问题。为了缓解上述问题，研究人员将知识图谱作为辅助信息融合至推荐系统中，这样可以增强用户和项目的外部属性特征，进而发现用户和项目之间更深次和更细粒度的联系，提升推荐准确度。

3、现有的基于知识图谱的推荐方法主要集中于如何有效地将外部实体信息编码到推荐用户或项目中，忽略了用户与项目交互的重要性，以至于学习的嵌入表示不能有效地表达用户兴趣。

技术实现思路

1、针对上述现有技术的不足，本发明提供一种基于知识图谱的用户兴趣扩散推荐方法及系统。一方面通过递归神经网络从用户的历史交互序列中提取用户局部兴趣特征和项目局部潜在特征，另一方面通过项目在知识图谱上扩展不同距离的实体信息以扩充用户和项目的特征时，利用用户原本的兴趣控制每一层三元组信息的传递，从全局角度学习更精准的用户偏好，最终缓解数据稀疏性问题，提升推荐性能。

2、为了实现上述目的，本发明提供了一种基于知识图谱的用户兴趣扩散推荐方法及系统，包括以下步骤：

3、s1、局部兴趣层的特征提取：根据户-项目交互矩阵，使用改进的递归神经网络从用户历史交互序列中提取用户局部兴趣特征，同时从候选项目的协作邻居中提取项目局部潜在特征；

4、s2、全局兴趣层的特征提取：将用户的历史交互序列以及项目的协作邻居以迭代的方式在知识图谱上向外扩散多层三元组，并利用用户原本的兴趣控制每一层三元组信息的传递，自适应地提取用户全局兴趣特征和项目全局潜在特征；

5、s3、模型预测：采用拼接方式聚合局部兴趣层和全局兴趣层的特征，对获取的用户嵌入向量和项目嵌入向量进行内积运算，以预测用户对项目的交互概率，完成推荐任务。

6、本发明提供了一种基于知识图谱的用户兴趣扩散推荐方法。与现有技术相比，具备以下有益效果：

7、本发明从两个角度出发将学习用户兴趣，一方面，在推荐系统中，对于某个用户，与他过去有过互动的项目在一定程度上能够体现用户自身独特的兴趣，运用递归神经网络从用户的历史交互序列中能够提取用户最真实的偏好特征。另一方面，在知识图谱中，与项目有关联的实体能够为项目提供丰富的外部属性信息，将用户有过交互的项目在知识图谱上扩散，从扩散的每一层三元组中可以学习更精准的用户偏好特征，最终可以获取更好的推荐效果。

技术特征：

1.一种基于知识图谱的用户兴趣扩散推荐方法，其特征在于，所述方法由计算机执行，包括以下步骤：

2.如权利要求1所述的一种基于知识图谱的用户兴趣扩散推荐方法，其特征在于，s1的具体实现过程如下：

3.如权利要求1所述的一种基于知识图谱的用户兴趣扩散推荐方法，其特征在于，s2的具体实现过程如下：

4.如权利要求1所述的一种基于知识图谱的用户兴趣扩散推荐方法，其特征在于，s3的具体实现过程如下：

技术总结
本发明提供了一种基于知识图谱的用户兴趣扩散推荐方法及系统，首先使用改进的递归神经网络从用户历史交互序列中提取用户局部兴趣特征，并从候选项目的协作邻居中提取项目局部潜在特征；然后将用户的历史交互序列以及项目的协作邻居以迭代的方式在知识图谱上向外扩散多层三元组，并利用用户原本的兴趣控制每一层三元组信息的传递，自适应地提取用户全局兴趣特征和项目全局潜在特征；最后采用拼接方式聚合局部特征和全局特征，得到用户和项目的嵌入向量并进行内积运算，以预测用户对项目的交互概率。本发明能够高效地利用用户与项目的交互信息控制实体信息的传递，从而学习更精准的用户兴趣特征，获得更好的推荐效果。

技术研发人员：孙倩,肖晓丽,唐超
受保护的技术使用者：长沙理工大学
技术研发日：
技术公布日：2024/1/15