基于知识增强和图对比学习的企业技术服务推荐方法及装置

本发明涉及企业技术服务领域，具体涉及一种基于知识增强和图对比学习的企业技术服务推荐方法及装置。

背景技术：

1、技术创新服务平台汇聚各类技术服务，运用大数据分析技术，为用户提供推荐服务，能够节省用户在查找技术服务时所用时间，促进平台与用户间的交流互动，提高用户使用黏度。

2、在众多推荐算法中，协同过滤算法一直备受关注，协同过滤核心思想是具有相似交互行为的用户可能对项目有相似的兴趣，因此当用户历史行为不足的时候，便会出现数据稀疏性问题。为解决数据稀疏性问题，研究人员开始在推荐中加入知识图谱，尽管知识图谱能够在一定程度上缓解推荐系统的数据稀疏性问题，但实际中知识图谱通常存在噪声，使得项目实体依赖关系无法反映它们的真实特征，显著放大了噪声效应，阻碍了用户偏好的准确表示。

技术实现思路

1、发明目的：针对以上方法所存在的问题，本发明提供一种基于知识增强和图对比学习的企业技术服务推荐方法，利用知识图谱中结构化信息丰富用户与技术服务表示，并通过知识图谱对比学习方法，以减轻基于知识图谱的推荐方法中的数据噪声，获得鲁棒性更高的用户与技术服务表示，从而提高企业技术服务推荐模型的性能。

2、技术方案：本发明提出一种基于知识增强和图对比学习的企业技术服务推荐方法，包括如下步骤：

3、步骤1：对企业技术服务基本信息进行清洗和整理，构建所需知识图谱gk，同时根据用户交互历史获得用户-技术服务交互图gu；

4、步骤2：对输入的企业技术服务知识图谱gk采用随机丢弃关系的方式得到两个子知识图谱α1(gk)和α2(gk)，并将原知识图谱和两个子知识图谱输入到关系感知图网络模型中，得到技术服务的嵌入表示；

5、步骤3：对整个用户-企业技术服务交互图gu采用随机抽样得到两个不同的子交互图β1(gu)和β2(gu)，并对原用户-企业技术服务交互图和用户-企业技术服务子交互图进行基于图卷积的协同过滤计算，得到用户和技术服务的嵌入表示；

6、步骤4：构建推荐监督任务和对比学习辅助任务进行联合优化，根据用户和企业技术服务的嵌入表示实现企业技术服务推荐。

7、进一步地，所述步骤1的具体方法为：

8、步骤1.1：定义企业技术服务知识图谱中的实体，主要实体有：技术服务id、服务领域、服务企业、服务成熟程度和服务费用，不同的实体类之间存在关系，关系类别定义为关系指向实体的类别；

9、步骤1.2：根据实体和关系构建企业技术服务知识图谱gk，企业技术服务知识图谱gk由三元组(h,r,t)组成，其中h∈e，t∈e，r∈r分别表示三元组的头实体、尾实体和实体间的关系，e和r分别表示企业技术服务知识图谱gk中的实体和关系集合；

10、步骤1.3：基于用户的整个交互序列构建用户-技术服务交互图，gu＝(v,ε)代表用户-技术服务交互图，其中v表示点的集合，包括用户和技术服务；ε表示边的集合，包括交互信息。

11、进一步地，所述步骤2的具体方法为：

12、步骤2.1：对企业技术服务知识图谱gk采用数据增强运算符α()得到两个子知识图谱α1(gk)和α2(gk)，其中表示技术服务及其依赖实体之间的知识三元组；

13、步骤2.3：将企业技术服务知识图谱gk输入关系感知图网络中获取技术服务的嵌入表示；

14、步骤2.4：定义循环变量k，赋初始值为1，设置聚合层数为l层；

15、步骤2.5：若k≤l则进入步骤2.6，否则跳转到步骤2.8；

16、步骤2.6：技术服务i在第k层的表示为其中表示为第k层实体的嵌入表示，表示为第k层的关系路径，表示为第k层的实体个数，表示技术服务i的所有k阶路径；

17、步骤2.7：k＝k+1，跳转到步骤2.5；

18、步骤2.8：结束循环，得到每层的技术服务嵌入表示

19、步骤2.9：通过公式得到最终的技术服务嵌入表示ei；

20、步骤2.10：将知识图谱α1(gk)和α2(gk)输入关系感知图网络中，重复步骤2.4-2.9得到技术服务的嵌入表示和

21、进一步地，所述步骤3的具体方法为：

22、步骤3.1：对用户-企业技术服务交互图gu采用随机抽样运算符β()得到两个子交互视图β1(gu)和β2(gu)，其中

23、步骤3.2：将用户-企业技术服务交互图gu和技术服务嵌入表示ei输入图卷积神经网络中获取用户和技术服务嵌入表示；

24、步骤3.3：定义循环变量h，初始赋值为1，设置图卷积传播层数的值为h，为ei，为用户初始嵌入表示；

25、步骤3.4：若h≤h则进入步骤3.5，否则跳转到步骤3.7；

26、步骤3.5：通过公式和计算用户嵌入表示和技术服务嵌入表示,其中和表示经过h层传播之后得到的技术服务i和用户u的嵌入表示，nu表示用户u交互过的技术服务的集合，ni表示与技术服务i有过交互的用户的集合；

27、步骤3.6：h＝h+1，跳转到步骤3.4；

28、步骤3.7：结束循环，得到每层的用户和技术服务嵌入表示和

29、步骤3.8：通过公式和得到最终的用户和技术服务嵌入表示和其中，ωh表示第h层嵌入表示构成最终嵌入表示的权重；

30、步骤3.9：分别将交互图β1(gu)，和β2(gu)，输入图卷积神经网络中，重复步骤3.3-3.8得到嵌入表示和

31、进一步地，所述步骤4的具体方法为：

32、步骤4.1：基于用户嵌入表示采用infonce损失函数构建对比学习辅助任务，用户侧损失函数为其中s()表示相似度函数，τ表示温度超参数，表示用户u′(u′≠u)在交互图β2(gu)经过图卷积神经网络得到的嵌入表示；

33、步骤4.2：与步骤4.1同理得到技术服务侧损失函数为

34、步骤4.3：对比学习辅助任务损失函数

35、步骤4.4：推荐监督任务由贝叶斯个性化排序损失函数构建，损失函数为其中o表示用户和技术服务的交互历史，u表示用户，i表示用户交互过的技术服务，j表示用户未交互过的技术服务，σ表示sigmoid函数，表示样本得分，公式为

36、步骤4.5：采用多任务学习策略，通过结合对比学习辅助任务和推荐监督任务对目标函数联合优化，目标函数为其中为正则化损失，λ1、λ2为参数。

37、本发明还公开一种基于知识增强和图对比学习的企业技术服务推荐装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时执行上述基于知识增强和图对比学习的企业技术服务推荐方法的步骤。

38、有益效果：

39、1、本发明将企业技术服务知识图谱作为辅助信息引入到推荐方法中，一定程度上缓解了数据稀疏性问题，针对企业技术服务知识图谱存在的噪声问题，通过数据增强方案生成对比视图，抑制信息聚合过程中不相关实体，从而获得更稳健的知识感知表征，缓解知识图谱的噪音问题，可以更精准地为用户推荐企业技术服务，帮助用户和企业实现对接。

40、2、本发明通过关系感知图网络模型来提取技术服务特征，可以有效控制不同邻居信息的传播量，识别每个知识图谱中的实体在不同的关系上下文中不同的含义，捕捉到高阶节点信息以及关系依赖。

41、3、本发明采用多任务学习策略，通过结合对比学习辅助任务和推荐监督任务对目标函数进行联合优化，以此来提高模型的鲁棒性，从而提高企业技术服务推荐模型的性能。