基于知识图谱的推荐方法及推荐模型训练方法、相关装置与流程

本申请涉及人工智能，特别是涉及基于知识图谱的推荐方法及推荐模型训练方法、相关装置。

背景技术：

1、现有技术，出现了许多利用知识图谱(kg)的进行系统推荐的工作。例如，利用嵌入的方法利用知识图嵌入技术将实体和关系映射到低维向量空间，丰富用户和物品的表示。但是在一些特定场景中，例如会议场景中，该方法却无法有效的分析和理解会议内容，而导致不能提供及时的资源支持和个性化服务，从而难以实现个性化会议或相关内容推荐。

技术实现思路

1、本申请至少提供基于知识图谱的推荐方法及推荐模型训练方法、相关装置，能够准确地进行个性化会议或相关内容推荐。

2、本申请第一方面提供了一种基于知识图谱的推荐方法，该方法包括：获取目标知识图谱中的目标三元组，其中，目标三元组至少包括头节点和尾节点，且目标知识图谱中的节点表征会议对象，会议对象至少为会议、议题、用户、资源中任一种类型；利用尾节点各个邻居节点的邻居节点特征对尾节点的初始尾节点特征进行更新，得到尾节点的目标尾节点特征；利用目标尾节点特征和头节点的初始头节点特征，得到目标三元组对应的第一权重；利用头节点所在的各个目标三元组分别所对应的第一权重和分别所包含尾节点的目标尾节点特征，对初始头节点特征进行聚合，得到头节点的目标头节点特征；基于目标知识图谱中目标节点的目标节点特征进行推荐预测，得到推荐结果，其中，目标节点表征会议对象中的任一种类型。

3、其中，利用目标尾节点特征和头节点的初始头节点特征，得到目标三元组对应的第一权重，包括：利用目标尾节点特征和初始头节点特征进行变换计算，得到尾节点对应的第二权重；利用第二权重进行注意力计算，得到第一权重。

4、其中，目标三元组还包括头节点与尾节点之间的节点关系，利用目标尾节点特征和初始头节点特征进行变换计算，得到尾节点对应的第二权重，包括：利用目标尾节点特征和初始头节点特征进行融合，得到聚合系数；利用节点关系所属类型的关系因子与聚合系数进行相乘，得到第二权重。

5、其中，利用目标尾节点特征和初始头节点特征进行融合，得到聚合系数，包括：利用第一变换参数对目标尾节点特征进行变换，得到变换尾节点特征；利用第二变换参数对初始头节点特征进行变换，得到变换头节点特征；基于变换尾节点特征与变换头节点特征之间的相关度，得到聚合系数。

6、其中，利用节点关系所属类型的关系因子与聚合系数进行相乘，得到第二权重，包括：获取目标尾节点特征对应的维度系数；利用维度系数与关系因子之积，得到关系系数；将关系系数与聚合系数进行相乘，得到第二权重。

7、其中，利用第二权重进行注意力计算，得到第一权重，包括：利用头节点所在各个目标三元组中尾节点对应的第二权重进行求和，得到目标综合权重；利用当前第二权重与目标综合权重之间的比值，得到第一权重。

8、其中，利用头节点所在的各个目标三元组分别所对应的第一权重和分别所包含尾节点的目标尾节点特征，对初始头节点特征进行聚合，得到头节点的目标头节点特征，包括：利用第一权重和目标尾节点特征进行非线性计算，得到待聚合节点特征；利用待聚合节点特征和初始头节点特征进行聚合，得到目标头节点特征。

9、本申请第二方面提供了一种推荐模型训练方法，包括：获取样本知识图谱中的样本三元组，其中，样本三元组至少包括样本头节点和样本尾节点，且样本知识图谱中样本节点表征会议对象，会议对象至少为会议、议题、用户、资源中任一种类型；利用样本尾节点各个样本邻居节点的样本邻居节点特征对样本尾节点的样本初始尾节点特征进行更新，得到样本尾节点的样本目标尾节点特征；利用样本目标尾节点特征和样本头节点的样本初始头节点特征，得到样本三元组对应的第一样本权重；利用样本头节点所在各个样本三元组分别所对应的第一样本权重和分别所包含样本尾节点的样本目标尾节点特征，对样本初始头节点特征进行聚合，得到样本头节点的样本目标头节点特征；至少基于样本知识图谱中样本目标节点的样本目标节点特征，调整推荐模型的网络参数，其中，样本目标节点表征类型为用户的会议对象。

10、其中，在获取样本知识图谱中的样本三元组之前，包括：利用推荐模型预测样本知识图谱中样本节点之间缺失的样本节点关系。

11、本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述第一方面中的基于知识图谱的推荐方法，或实现上述第二方面中的推荐模型训练方法。

12、本申请第四方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中的基于知识图谱的推荐方法，或实现上述第二方面中的推荐模型训练方法。

13、上述方案，确定目标知识图谱中的目标三元组，利用目标三元组中的尾节点相邻的邻居节点的邻居节点特征对尾节点的初始尾节点特征进行更新，以得到尾节点的目标尾节点特征，再利用目标尾节点特征和目标三元组中头节点的初始头节点特征，得到目标三元组对应的第一权重，利用头节点所在的各个目标三元组分别所对应的第一权重与其对应的目标尾节点特征，对初始头节点特征进行聚合，得到头节点的目标头节点特征，从而可得到各尾节点对于头节点的重要性，再根据目标知识图谱中目标节点的目标节点特征进行推荐预测，得到推荐结果，从而使得目标节点融合更加丰富的上下文信息，再通过目标节点进行推荐预测时，可准确地进行个性化会议或相关内容推荐。

14、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请。

技术特征：

1.一种基于知识图谱的推荐方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述利用所述目标尾节点特征和所述头节点的初始头节点特征，得到所述目标三元组对应的第一权重，包括：

3.根据权利要求2所述的方法，其特征在于，所述目标三元组还包括所述头节点与所述尾节点之间的节点关系，所述利用所述目标尾节点特征和所述初始头节点特征进行变换计算，得到所述尾节点对应的第二权重，包括：

4.根据权利要求3所述的方法，其特征在于，所述利用所述目标尾节点特征和所述初始头节点特征进行融合，得到聚合系数，包括：

5.根据权利要求3所述的方法，其特征在于，所述利用所述节点关系所属类型的关系因子与所述聚合系数进行相乘，得到所述第二权重，包括：

6.根据权利要求2所述的方法，其特征在于，所述利用所述第二权重进行注意力计算，得到所述第一权重，包括：

7.根据权利要求1所述的方法，其特征在于，所述利用所述头节点所在的各个所述目标三元组分别所对应的第一权重和分别所包含所述尾节点的目标尾节点特征，对所述初始头节点特征进行聚合，得到所述头节点的目标头节点特征，包括：

8.一种推荐模型训练方法，其特征在于，包括：

9.根据权利要求8所述的方法，其特征在于，在所述获取样本知识图谱中的样本三元组之前，包括：

10.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至7任一项所述的基于知识图谱的推荐方法，和/或权利要求8-9任一项所述的推荐模型训练方法。

11.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至7任一项所述的基于知识图谱的推荐方法，和/或权利要求8-9任一项所述的推荐模型训练方法。

技术总结
本申请公开了基于知识图谱的推荐方法及推荐模型训练方法、相关装置，该方法包括：获取目标知识图谱中的目标三元组；利用尾节点各个邻居节点的邻居节点特征对尾节点的初始尾节点特征进行更新，得到尾节点的目标尾节点特征；利用目标尾节点特征和头节点的初始头节点特征，得到目标三元组对应的第一权重；利用头节点所在的各个目标三元组分别所对应的第一权重和分别所包含尾节点的目标尾节点特征，对初始头节点特征进行聚合，得到头节点的目标头节点特征；基于目标知识图谱中目标节点的目标节点特征进行推荐预测，得到推荐结果。上述方案，能够提升推荐的准确性。

技术研发人员：吕少卿,俞鸣园,王克彦,曹亚曦,费敏健
受保护的技术使用者：浙江华创视讯科技有限公司
技术研发日：
技术公布日：2024/9/2