欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021112312894
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种融合知识图卷积网络和用户偏好的推荐算法,其特征在于,包括以下步骤:获取输入数据并对输入数据进行预处理,以得到交互矩阵和知识图谱,所述交互矩阵中包括用户和所述用户的历史点击对象,所述知识图谱包括与所述历史点击对象对应的用户节点;

在所述知识图谱上对所述用户节点的邻居信息进行融合,以得到用户个性化特征;

所述知识图谱中还包括物品节点的邻居信息,并对所述物品节点的邻居信息进行聚合,以得到物品个性化特征;

对所述用户个性化特征和物品个性化特征进行联合特征提取,分别得到用户特征向量和物品特征向量;

对所述用户特征向量和物品特征向量进行内积运算,并通过预测函数以预测用户偏好。

2.根据权利要求1所述的融合知识图卷积网络和用户偏好的推荐算法,其特征在于:根据所述用户节点的邻居信息计算每一个三元组的聚合权重pi,所述聚合权重pi表示为:其中, 表示所述用户u的一跳邻居集合;Ri和hi是用户节点之间的关系和头实体的嵌入向量;V为给定项目的嵌入向量;

所述用户节点的邻居信息包括尾实体ti以及与所述尾实体ti相对应的关联概率,对所述尾实体ti以及所述关联概率进行加权求和,以得到所述用户个性化特征U,具体为:其中, 表示从用户u的历史点击项目偏好开始通过H阶传播,得到用户u的各阶偏好传播。

3.根据权利要求2所述的融合知识图卷积网络和用户偏好的推荐算法,其特征在于:对所述用户u进行累加,并确定所述用户u的重要程度,具体为:其中,γ为参数,用来控制每一跳输出的权重;k为传播的阶数;所述用户u的重要程度的偏导如下公式所示:

4.根据权利要求1所述的融合知识图卷积网络和用户偏好的推荐算法,其特征在于:所述物品节点的邻居信息包括物品和各物品之间的关系ri,计算用户u对所述关系ri的偏好程度 具体为:

其中,ri表示连接第i个邻居的关系向量,g(.)为任意函数;

对所述偏好程度 进行归一化处理,得到规范化的用户关系评分 具体为:其中,N(v)表示物品v的一阶邻居集,然后再进一步进行加权求和操作得到特征向量通过聚合函数 进行聚合,并计算得到物品v的物品个性化特征a,具体为:其中,σ(.)为非线性激活函数,W为线性变换矩阵,b为偏置项, 表示对所述物品v进行聚合,e表示所述物品v在前一轮迭代更新产生的向量。

5.根据权利要求4所述的融合知识图卷积网络和用户偏好的推荐算法,其特征在于:所述聚合函数 为求和聚合,通过 对应元素位相加,然后进行非线性变换,具体为:

6.根据权利要求4所述的融合知识图卷积网络和用户偏好的推荐算法,其特征在于:所述聚合函数 为拼接聚合,通过连接两个表示向量,然后应用非线性变换,具体为:

7.根据权利要求4所述的融合知识图卷积网络和用户偏好的推荐算法,其特征在于:所述聚合函数 为邻居聚合,通过直接用 作为本层输出向量,具体为:

8.根据权利要求1所述的融合知识图卷积网络和用户偏好的推荐算法,其特征在于,所述联合特征提取具体为:交替进行所述用户个性化特征和物品个性化特征的运算,使得所述用户个性化特征的波形与所述物品个性化特征的波形产生干涉效应,得到所述用户特征向量和物品特征向量。

9.根据权利要求1所述的融合知识图卷积网络和用户偏好的推荐算法,其特征在于:所述预测函数 为:

其中,p表示向量的内积操作,σ(x)的表达式为:其中,σ(.)为非线性激活函数。

10.根据权利要求1所述的融合知识图卷积网络和用户偏好的推荐算法,其特征在于:所述预测函数 为:

1×2d

其中,σ(.)为非线性激活函数,W为线性变换矩阵,W∈R ,训练过程采用负采样,并通过损失函数提高所述预测函数 的准确度,所述损失函数minL具体为:u

其中f是交叉熵损失函数,p是负采样分布,并且p服从均匀分布,N是用户u的负采样数u

量,N=|{v:yuv=1}|,第二项表示正则化优化。