【技術實現步驟摘要】
本專利技術涉及知識圖譜技術，具體涉及一種結合多關系圖注意力網絡和多尺度卷積的知識圖譜補全技術。
技術介紹
1、在信息化的社會中，日益增長的信息流通方便了人們的生活，但同時也帶來了信息過載的問題。巨大的信息量往往超出了個人或系統所能接受和處理的限制，因此如何有效地從海量信息中篩選出用戶真正需要的信息一直是學術界和工業界探討的熱門課題。基于此，推薦系統應運而生，其主要根據對用戶檔案和歷史偏好建模，從而向用戶推薦那些真正有價值并讓其感興趣的信息。目前推薦系統被廣泛應用于電商、新聞推送、流媒體平臺等領域。推薦系統根據用戶的歷史數據中關聯商品或行為信息來預測用戶可能感興趣的目標并輸出。
2、知識圖譜也稱為知識域可視化或知識域映射地圖，是顯示知識發展進程與結構關系的一系列不同的圖形，用可視化技術描述知識資源極其載體、挖掘、分析、構建、繪制和顯示知識及他們之間的相互聯系。它把復雜的知識領域通過數據挖掘、信息處理、知識計量和圖片繪制而顯示出來，揭示知識領域的動態發展規律。
3、知識圖譜以三元組形式存儲著大量用戶行為或關聯商品的客觀事實，并在推薦系統得到廣泛應用。三元組的數據結果由頭實體、關系和尾實體三個要素組成，通過頭實體代表的主題，代表的謂語，尾實體代表的客體，用謂語表達主體和客體之間的關系或屬性。在推薦系統中頭實體和尾實體可以為用戶或用戶關聯商品。關系可以是用戶行為。現實場景中，海量用戶的信息量呈指數級增長，知識圖譜的更新速度遠遠跟不上用戶信息量的增長，導致存儲海量用戶信息的知識圖譜呈現稀疏和不完整的狀態，從而影響推
4、因此，利用知識圖譜補全技術識別出缺失的三元組具有重要的研究意義。
5、現有的基于圖神經網絡的知識圖譜補全技術通過迭代聚合知識圖譜中的鄰域結構信息，學習知識圖譜中實體和關系的特征嵌入表示，使得實體和關系能夠學習到其局部的鄰域信息和整個知識圖譜的結構信息。基于圖神經網絡的方法往往采用編碼器-解碼器的結構，將圖神經網絡結構作為編碼器，生成包含鄰域信息和全局結構的實體關系嵌入表示，在獲得更新后的實體關系嵌入表示后，還需要使用解碼器對備選三元組進行評分，并且計算當前批次訓練的損失值，利用反向傳播更新編碼器層的訓練參數，通過多次訓練完成知識圖譜補全。基于圖注意力網絡的方法更是結合了圖神經網絡和注意力機制，以便于在聚合鄰域信息的過程中選擇性地保留重要的信息。
6、用戶與關聯商品之間會存在許多行為，比如點擊、評價、購買、分享、加購等。這些異構多變關系連接更能有效提供用戶信息。然而現有的編碼器在聚合關鍵鄰域信息時沒有考慮到異構多關系連接，以及解碼器只采用一種卷積結構很難同時提取實體和關系嵌入表示在相同維度和不同維度上的特征交互，使得知識圖譜補全模型效果不理想，最終影響推薦系統的輸出結果不理想。
技術實現思路
1、本專利技術所要解決的技術問題是，提供一種通過構建能充分利用異構多關系連接和能同時提取多維度特征交互的知識圖譜補全模塊，從而更準確地輸出推薦商品的推薦系統。
2、本專利技術解決上述技術問題采用的技術方案是，一種基于知識圖譜補全的推薦系統，包括：
3、知識圖譜構建模塊：將收集到的用戶信息、商品信息以及用戶對商品的關聯操作通過三元組形式進入推薦系統的知識圖譜中；以用戶信息作為頭實體，用戶對商品的關聯操作作為關系，商品信息作為尾實體來形成三元組；當知識圖譜有三元組中出現待補全的尾實體時，觸發知識圖譜補全模塊，并將知識圖譜補全模塊預測出的尾實體加入當前的知識圖譜中完成補全更新；
4、知識圖譜補全模塊：根據當前已經構建的知識圖譜，通過對知識圖譜中的候選實體與已知的實體和關系組成候選三元組，然后通過評分函數計算所有候選三元組的得分，最終選擇得分最高的作為補全結果用于預測已知頭實體和關系時對應的尾實體；并將預測出的尾實體輸出至知識圖譜構建模塊；
5、商品推薦模塊：基于知識圖譜構建模塊中最新的知識圖譜進行推理，向用戶輸出推薦商品；
6、其中，知識圖譜補全模塊為編碼器-解碼器的結構，編碼器包括注意力模塊和聚合模塊；
7、注意力模塊用于計算中心實體和中心實體的鄰居實體之間的注意力分數；中心實體為待補全的三元組中的已知頭實體；鄰居實體為與中心實體通過關系連接的實體；
8、聚合模塊用于根據注意力模塊計算得到的注意力分數，將中心實體的鄰居信息聚合到中心實體之中，從而生成融合了鄰域信息的中心實體的嵌入表示，其中注意力分數控制了該中心實體的鄰居信息各自被聚合的多少；同時根據可學習的關系矩陣更新關系的嵌入表示；
9、解碼器用于，將中心實體和關系的嵌入表示輸入多尺度的交互特征提取層捕捉交互特征完成特征融合形成中心實體和關系的融合特征，然后計算融合特征與候選的尾實體的嵌入表示的相似度來得到候選補全三元組的得分。
10、本專利技術結合多關系圖注意力網絡和多尺度卷積的知識圖譜補全彌補現有方法沒有考慮到異構多關系連接和難以同時提取多維度特征交互的缺陷，使其更好地完成知識圖譜補全任務，使得推薦系統在進行商品推薦的推理時具有更完備的知識圖譜。
11、本專利技術的有益效果是，充分考慮了推薦系統給的用戶數據在構造知識圖譜過程中的異構多關系連接問題，通過過注意力機制計算與目標用戶有關聯關系的其他用戶或商品對于目標用戶的重要程度，根據注意力分數聚合鄰域信息以更新目標用戶的嵌入表示，從而提高了涉及目標用戶的知識圖譜補全效果，并提高了推薦系統所基于的知識圖譜的可解釋性。在補全過程中獲取目標用戶和操作行為的嵌入表示在相同和不同維度上的特征交互，進一步提升了推薦系統中圖注意力網絡結構下的知識圖譜補全模型的效果，有效提升了推薦系統輸出推薦結果的準確度。
本文檔來自技高網...【技術保護點】
1.一種基于知識圖譜補全的推薦系統，其特征在于，包括：
2.如權利要求1所述系統，其特征在于，聚合模塊通過正態分布隨機初始化中心實體的嵌入表示和尾實體的嵌入表示，用一組基向量的線性組合初始化關系的嵌入表示。
3.如權利要求1所述系統，其特征在于，知識圖譜補全模塊在訓練過程中通過交叉熵函數計算模型的損失值，并基于損失值通過梯度下降法優化知識圖譜補全模塊的網絡參數。
4.如權利要求1所述系統，其特征在于，注意力模塊計算中心實體和鄰居實體之間的注意力分數的具體方式為：
5.如權利要求1所述系統，其特征在于，聚合模塊生成融合了鄰域信息的中心實體的嵌入表示的具體方式為：
6.如權利要求1所述系統，其特征在于，解碼器中多尺度的交互特征提取層得到中心實體和關系的融合特征的具體方式為：
7.如權利要求1所述系統，其特征在于，計算融合特征與候選的尾實體的嵌入表示的相似度來得到候選補全三元組的得分的具體方式為：
【技術特征摘要】
1.一種基于知識圖譜補全的推薦系統，其特征在于，包括：
2.如權利要求1所述系統，其特征在于，聚合模塊通過正態分布隨機初始化中心實體的嵌入表示和尾實體的嵌入表示，用一組基向量的線性組合初始化關系的嵌入表示。
3.如權利要求1所述系統，其特征在于，知識圖譜補全模塊在訓練過程中通過交叉熵函數計算模型的損失值，并基于損失值通過梯度下降法優化知識圖譜補全模塊的網絡參數。
4.如權利要求1所述系統，其特征在于...
【專利技術屬性】
技術研發人員：許毅，段貴多，羅光春，張戈，董云睿，李向陽，
申請(專利權)人：電子科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。