一种基于知识图谱的可解释推荐方法与流程

本发明涉及推荐系统和机器学习，尤其涉及一种基于知识图谱的可解释推荐方法。

背景技术：

1、在信息爆炸的时代，推荐系统在各种在线服务中起着至关重要的作用。他们的目标是解决信息超载的问题，并向用户推荐符合他们兴趣的商品。传统的方法可以分为基于内容的方法(cb)、基于协同过滤(cf)的方法和混合方法三类。cf的基本理念是，品味相似的顾客对相同的物品有着相似的评级分布。随着机器学习的发展，许多深度模型已经被用于推荐系统(rss)来克服一些传统的障碍。基于深度学习的模型能够为用户-产品交互建模，同时捕获非线性和不普通的关系。

2、目前的基于知识图谱的推荐算法大致可以分为两类。一种是基于元路径的方法，它从知识图谱中细化了用户和产品之间的一些元路径，以计算用户喜欢该产品的概率。另一种是基于知识图谱嵌入的方法，它根据知识图谱嵌入技术学习特征向量来描述实体。这些基于知识图谱的模型工作得很好，但它们只使用交互信息，而且大多数缺乏推理和可解释性。

3、因此，亟需一种基于知识图谱的可解释推荐方法。

技术实现思路

1、本发明的目的是提供一种基于知识图谱的可解释推荐方法，以解决上述现有技术中的问题，能够提高推荐过程中的推理和解释的能力。

2、本发明提供了一种基于知识图谱的可解释推荐方法，其中，包括：

3、基于用户、产品、扩展实体和扩展关系构建富语义知识图谱；

4、对所述富语义知识图谱中用户到产品的路径进行挖掘，以得到推荐规则；

5、基于注意力机制对用户、产品和所述推荐规则之间的交互进行学习，以在作出推荐的同时，计算影响力最大的推荐规则作为推荐解释。

6、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述基于用户、产品、扩展实体和扩展关系构建富语义知识图谱，具体包括：

7、构建基础知识图谱；

8、对所述基础知识图谱中的实体类型和关系类型进行扩展，以得到扩展实体类型和扩展关系类型，其中，所述扩展实体类型包括产品类型、产品品牌和产品特征中的至少一种，所述扩展关系类型包括也买了、属于类型、属于品牌、具有、类似、喜欢和朋友中的至少一种；

9、根据所述扩展实体类型和所述扩展关系类型，对所述基础知识图谱进行扩展，以得到扩展的富语义知识图谱。

10、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述构建基础知识图谱，具体包括：

11、根据实体集合和关系集合构建基础知识图谱g＝{(eh,r,et)|eh,et∈e,r∈r}，

12、其中，e表示实体集合，包含用户和产品两类实体，r表示关系集合，包含购买关系，每个三元组(eh,r,et)表示实体eh和实体et之间存在关系r，

13、所述根据所述扩展实体类型和所述扩展关系类型，对所述基础知识图谱进行扩展，以得到扩展的富语义知识图谱，具体包括：

14、根据用户和产品两类实体节点，对所述基础知识图谱中的用户集合u和产品集合i，以及所有的扩展实体集合xe和扩展关系集合xr进行合并，得到扩展的富语义知识图谱gx。

15、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述对所述富语义知识图谱中用户到产品的路径进行挖掘，以得到推荐规则，具体包括：

16、将所述富语义知识图谱中用户u到产品i的路径定义为一个实体和关系的序列其中e1＝u，ek＝i，(ex-1,ex-1,ex)∈g，(ex,ex-1,ex-1)∈g，g表示基础知识图谱；

17、基于所述富语义知识图谱中用户u到产品i的路径，提取推荐规则。

18、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述基于所述富语义知识图谱中用户u到产品i的路径，提取推荐规则，具体包括：

19、给定任意用户-产品对，提取从用户u到产品i的所有路径；

20、对从所有用户-产品对中提取的路径进行合并操作，合并后的路径称为推荐规则，其中，所述推荐规则可表示成一个关系类型的序列li＝r1r2…rk，所有推荐规则构成推荐规则集合l；

21、对所述推荐规则集合l进行嵌入。

22、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，在所述合并操作中，若两条路径pi和pj同时满足以下条件，则进行合并：路径pi和路径pj的长度一致；在每个位置k上，路径pi对应的关系和路径pj对应的关系属于同一关系类型，

23、所述对所述推荐规则集合l进行嵌入，具体包括：

24、基于所述推荐规则集合l，构建推荐规则图lg＝(ln,le)，其中，ln表示推荐规则节点集合，每个节点lni表示一个关系类型，le表示推荐规则关系集合，若某条推荐规则中关系类型lni和lnj在序列中相邻，则节点lni和lnj在lg中有一条边eij；

25、采用图卷积网络对所述推荐规则图lg进行处理，得到所有关系类型节点的表征向量，记关系类型rk的表征向量为rek；

26、针对一个推荐规则li＝r1r2…rk，其表征向量为lek＝re1+re2+…+rek。

27、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述基于注意力机制对用户、产品和所述推荐规则之间的交互进行学习，以在作出推荐的同时，计算影响力最大的推荐规则作为推荐解释，具体包括：

28、产品嵌入向量学习，以生成产品嵌入向量；

29、用户嵌入向量学习，以生成用户嵌入向量；

30、对所述推荐规则进行注意力加权，以得到推荐规则子集的表征向量；

31、对推荐规则、用户和产品进行嵌入融合，以得到聚合嵌入向量；

32、根据所述聚合嵌入向量，得到针对用户u的产品预测结果；

33、对产品预测结果进行解释。

34、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述产品嵌入向量学习，以生成产品嵌入向量，具体包括：

35、给定一个产品，将其属性数据输入一个多层感知机，生成产品嵌入向量，

36、所述用户嵌入向量学习，以生成用户嵌入向量，具体包括：

37、将用户购买的产品序列输入transformer模型以生成用户嵌入向量，

38、所述对所述推荐规则进行注意力加权，以得到推荐规则子集的表征向量，具体包括：

39、抽取从用户u到产品i的所有推荐规则，形成推荐规则子集sl；

40、通过以下公式计算推荐规则子集sl中每个推荐规则的权重

41、

42、其中，表示推荐规则子集sl的第n条推荐规则，的嵌入向量为cwn表示可训练的参数矩阵，和cbn为可训练的参数向量；

43、通过以下公式对推荐规则子集sl中每个推荐规则嵌入向量进行注意力加权求平均，得到推荐规则子集sl的表征向量rui：

44、

45、其中，n表示推荐规则子集sl中推荐规则的数量。

46、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述对推荐规则、用户和产品进行嵌入融合，以得到聚合嵌入向量，具体包括：

47、通过以下公式将推荐规则子集sl、用户u和产品i的嵌入向量连接成一个聚合嵌入向量：

48、

49、其中，表示将向量进行连接，表示用户u的聚合嵌入向量，eu表示用户u的特征向量，表示所选产品i的特征向量。

50、如上所述的基于知识图谱的可解释推荐方法，其中，优选的是，所述根据所述聚合嵌入向量，得到针对用户u的产品预测结果，具体包括：

51、根据公式(4)、(5)和(6)，将输入包含五层感知机的端到端的推荐模型中，得到第l层的输出、权重和偏差：

52、

53、

54、

55、其中，表示第l层的输出，w(l)表示第l层的权重，b(l)表示第l层的偏差；

56、根据公式(7)和(8)计算推荐模型得到损失函数：

57、

58、

59、其中，表示预测结果为1的集合，最终的推荐任务被视为一个二元分类问题，采用一个sigmoid层作为分类器，将为最终预测结果，若需要将产品推荐给用户，则预测结果为1，否则为0，

60、所述对产品预测结果进行解释，具体包括：

61、若预测结果为1，则输出权重最高的若干推荐规则，作为对预测结果的解释。

62、本发明提供一种基于知识图谱的可解释推荐方法，依次执行富语义知识图谱构建、推荐规则提取和可解释推荐步骤，充分利用了用户的历史行为中明显存在的公开可解释的规则进行推荐，以提高推荐过程中的推理和解释的能力；提取了几种公共行为规则来描述用户的历史动机，并提取了一个结合了这些规则和个性化特征的可解释的推荐框架；通过从历史记录中提取重要的三元组来增强现有的知识图谱，这使得知识图谱的信息更可靠；根据行为规则、用户特征和产品特征，设计不同的网络来学习低维表示；利用图卷积神经网络学习高阶交互特征，为用户特征设计了一个transformer，利用多层感知机学习产品特征；本发明部署简单，在数据治理领域具有良好的经济价值和社会效益。