1.一种融合交互注意力的学习知识图谱的推荐方法,包括多任务学习共享模块,其特征在于,步骤1:从推荐数据集中获取用户‑物品的交互信息,从知识图谱数据集获得知识图谱信息;根据用户评分物品的历史纪录,构建用户‑物品的交互矩阵,根据知识图谱数据集与推荐数据集的实体建立映射后,构建知识图谱;其中,用户‑物品的交互信息包括用户和物品的集合、用户评分物品的历史纪录,知识图谱由头实体‑关系‑尾实体三元组组成;
步骤2:将用户‑物品的交互信息中获得的物品特征和知识图谱中的头实体特征输入到多任务学习共享模块;
步骤3:基于多任务学习共享模块通过交替训练的方式训练知识图谱模块,通过相似度函数得到知识图谱三元组的得分函数;
步骤4:基于多任务学习共享模块通过交替训练的方式训练推荐模块,最后通过预测函数得到用户参与项目的最终预测概率。
2.根据权利要求1所述的一种融合交互注意力的学习知识图谱的推荐方法,其特征在于,所述多任务学习共享模块包括多个特征注意力交叉压缩模块组成,特征注意力交叉压缩模块包括特征交互注意力单元和交叉压缩单元,物品特征和头实体特征经过交互注意力单元学习得到融合上下文信息的物品特征和实体特征,为推荐模块和知识图谱模块进行交互训练做准备。
3.根据权利要求1所述的一种融合交互注意力的学习知识图谱的推荐方法,其特征在于,所述推荐模块包含顺序连接的多个特征提取层和一个预测层。
4.根据权利要求1所述的一种融合交互注意力的学习知识图谱的推荐方法,其特征在于,所述将物品特征和头实体特征输入到多任务学习共享模块包括:步骤2.1:对输入的每个候选物品和头实体的向量,分别使用可训练的参数矩阵与其相乘,得到各自向量的查询向量和地址向量;
步骤2.2:对查询向量和地址向量计算两向量的相似度得分,然后对相似度得分施以归一化指数函数,得到各自的权重系数分数;
步骤2.3:对权重系数分数分别与物品向量或者头实体向量进行加权求和,分别得到物品自注意力得分和头实体自注意力得分;
步骤2.4:对物品自注意力得分和头实体自注意力得分分别与其经过激活函数处理的自注意力得分进行点乘;
步骤2.5:对点乘的值与其初始特征向量进行相加,分别得到物品向量和头实体向量;
步骤2.6:物品向量和头实体向量在交叉压缩层先进行特征交叉,得到交叉相乘矩阵;
步骤2.7:将交叉相乘矩阵转置得到转置交叉相乘矩阵;
步骤2.8:计算对交叉后的特征进行压缩,计算输出下一层的物品和头实体特征向量。
5.根据权利要求4所述的一种融合交互注意力的学习知识图谱的推荐方法,其特征在于,在步骤2.2中对相似度得分施以归一化指数函数,得到各自的权重系数分数其表示为:其中,score1和score2分别是物品的权重系数分数和实体的权重系数分数;dk是查询向T T量Q1、Q2和地址向量K1、K2矩阵的向量维度。
6.根据权利要求4所述的一种融合交互注意力的学习知识图谱的推荐方法,其特征在于,在步骤2.6中,所述物品特征向量和头实体特征向量在交叉压缩单元进行特征交叉得到交叉相乘矩阵,通过计算物品向量和头实体向量的外积,构建了d×d维的交叉相乘矩阵,表示为:dxd
其中,BL∈R 是第L层特征交叉相乘矩阵,d是嵌入向量的维度, 是BL中物品v和它相关的头实体h的每个特征的交互相乘。
7.根据权利要求4所述的一种融合交互注意力的学习知识图谱的推荐方法,其特征在于,在步骤2.8中,计算输出下一层的物品和头实体特征向量表示为:其中, 和 分别表示第L层针对物品向量v和头实体向量h的
可训练的压缩单元权重向量和偏置项。
8.根据权利要求1所述的一种融合交互注意力的学习知识图谱的推荐方法,其特征在于,在步骤3中,所述通过相似度函数得到知识图谱三元组的得分函数包括:步骤3.1:对于给定的三元组,头实体经过多任务学习共享模块,得到了头实体的高阶特征;
步骤3.2:对于关系实体使用多层的神经网络提取其隐性交叉特征;
步骤3.3:将头实体特征和关系特征通过知识图谱嵌入函数,来预测尾实体为尾部的预测向量;
步骤3.4:通过相似度函数得到三元组的得分函数。
9.根据权利要求1所述的一种融合交互注意力的学习知识图谱的推荐方法,其特征在于,在步骤4中,所述基于多任务学习共享模块通过交替训练的方式训练推荐模块,最后通过预测函数得到用户参与项目的最终预测概率包括:步骤4.1:对于用户的初始特征向量,经过特征嵌入后,通过的多层神经网络层提取用户的隐层的压缩特征;
步骤4.2:对于物品的原始输入向量,通过多任务学习共享模块,计算得到了物品的潜在特征;
步骤4.3:计算通过预测函数得到用户参与项目的最终预测概率。
10.一种融合交互注意力的学习知识图谱的推荐系统,其特征在于,包括:数据获取模块,用于从推荐数据集中获取用户‑物品的交互信息,从知识图谱数据集获得知识图谱信息;根据用户评分物品的历史纪录,构建用户‑物品的交互矩阵,根据知识图谱数据集与推荐数据集的实体建立映射后,构建知识图谱;其中,用户‑物品的交互信息包括用户和物品的集合、用户评分物品的历史纪录,知识图谱由头实体‑关系‑尾实体三元组组成;
交互训练准备模块,用于将用户‑物品的交互信息中获得的物品特征和头实体特征输入到多任务学习共享模块;
知识图谱训练模块,用于基于多任务学习共享模块通过交替训练的方式训练知识图谱模块,通过相似度函数得到三元组的得分函数;
推荐模块训练模块,用于基于多任务学习共享模块通过交替训练的方式训练推荐模块,最后通过预测函数得到用户参与项目的最终预测概率。