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: 2025110624052
申请人: 华侨大学
专利类型:发明专利
专利状态:未下证
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:

1.一种基于知识图谱与邻接图协同采样的信息推荐方法,其特征在于,包括:获取用户历史交互数据,构建包含用户、项目与关系的三元组,并与预建的项目属性图谱融合构建协同知识图谱;

基于所述协同知识图谱,通过约束关系空间的投影变换进行表示对齐,得到预训练的初始嵌入表示;

基于所述用户历史交互数据,通过有偏随机游走进行多跳邻居采样,得到多跳邻居集合;其中,所述有偏随机游走的跳数根据当前训练轮数动态调整;

在所述多跳邻居集合中,确定与正样本项目的嵌入表示最相似的邻居作为锚点邻居;

将所述正样本项目的嵌入表示与所述锚点邻居的嵌入表示进行线性插值,以合成困难负样本的嵌入表示;

基于多头图注意力网络,采用正样本和合成的困难负样本对所述初始嵌入表示进行训练,以捕捉知识图谱的高阶信息并聚合得到更新后的嵌入表示;所述基于多头图注意力网络,采用正样本和合成的困难负样本对所述初始嵌入表示进行训练,具体为:首先,将所述协同知识图谱的实体嵌入表示视为图注意网络的节点,对于每一种实体间关系,将其投影矩阵拆分为个;为实体间关系r在第i个头上的投影矩阵,将d维的实体投影到维的关系空间;

然后将关系嵌入拆分为多个头,得到关系初始的多头嵌入表示:;

其中,为多头图注意力网络的头数,0表示初始的第0层嵌入表示;表示关系初始的第0层嵌入表示;表示关系初始的第头嵌入表示;

对于协同知识图谱中的任意三元组,将头节点和尾节点嵌入到第k头关系多头空间,表示为:;;

其中,表示头节点;表示尾节点;为头实体,为尾实体;为实体间关系r在第k个头上的投影矩阵;

接着构建初始邻接矩阵,并按照关系类型归一化邻接矩阵,表达式为:;;

其中,表示类型r的邻接矩阵;为类型r的归一化邻接矩阵;D为度矩阵;为关系类型的数量;

定义的元素为注意力得分,对于第k个头,三元组的注意力得分表示为:;

其中,为第k个头的三元组注意力得分;为激活函数;表示第k个头的关系;

根据注意力得分,对每个注意力头k分别构建正向邻接矩阵与逆向邻接矩阵,经双向信息聚合得到每个节点每个头的邻居聚合表示,即注意力网络,表示为:;

其中,表示节点h第k个头的注意力网络;表示以实体h作为头节点的三元组集合;表示第k个头的尾实体;表示正向传播的注意力得分;表示反向传播的注意力得分;

基于所述更新后的嵌入表示计算交互概率,为用户生成推荐项目。

2.根据权利要求1所述的一种基于知识图谱与邻接图协同采样的信息推荐方法,其特征在于,所述初始嵌入表示通过以下步骤得到:对于所述协同知识图谱中的每个实体间关系,初始化投影矩阵,存在如下关系:;

其中,表示实体间关系r对应的投影矩阵,表示头实体h的向量表示,即用户实体的向量表示;表示实体间关系r的向量表示;表示尾实体t的向量表示,即项目实体的向量表示;

基于投影矩阵,将三元组中的头实体和尾实体从实体空间映射至关系空间,构建得分函数,即所述初始嵌入表示,用于衡量三元组的合理性,表达式为:;

其中,表示L2范数;表示得分函数,即投影后的头实体加上关系向量与投影后的尾实体之间的距离,得分越低,表示三元组在协同知识图谱中越符合投影关系。

3.根据权利要求1所述的一种基于知识图谱与邻接图协同采样的信息推荐方法,其特征在于,所述多跳邻居采样的过程包括:定义固定窗口滑动大小,根据所述用户历史交互数据,得到每个窗口内的交互数据序列,表达式为:;

其中,表示窗口大小的用户历史交互数据序列;表示序列中第c个窗口的项目;表示窗口数量总数;表示单个窗口中的时间变量;表示序列中第c个窗口的第个项目;表示序列中的项目与其后△个位置的项目建立无向边连接;表示序列中个窗口的项目建立无向边连接;

对于固定窗口内的每个正样本项目节点,采用有偏随机游走方法进行采样,即按照采样概率选择下一节点,并对邻居数的上、下限阈值进行约束,得到一组多跳邻居,从而得到多跳邻居集合;

其中,所述采样概率的表达式为:

;

其中,表示节点采样选择下一节点的采样概率;表示节点的出度;表示正样本项目节点从1跳到K跳的邻居集合。

4.根据权利要求3所述的一种基于知识图谱与邻接图协同采样的信息推荐方法,其特征在于,所述有偏随机游走的跳数根据当前训练轮数动态调整是在训练过程中,根据当前训练轮数动态调整所述有偏随机游走的跳数,所述跳数随所述训练轮数的增加而增大,直至达到预设的最大跳数,跳数的表达式为:;

其中,表示预设的最大跳数,是当前训练轮数,是初始跳数,是调整步长。

5.根据权利要求1所述的一种基于知识图谱与邻接图协同采样的信息推荐方法,其特征在于,所述锚点邻居的表达式为:;

其中,为锚点邻居;表示所述多跳邻居集合中正样本项目节点对应的邻居集合;表示中的节点;、分别表示节点、j对应的嵌入表示;T表示转置符号。

6.根据权利要求1所述的一种基于知识图谱与邻接图协同采样的信息推荐方法,其特征在于,所述困难负样本的线性插值合成过程为:;

其中,为困难负样本的嵌入表示;为所述锚点邻居的嵌入表示;为所述正样本项目的嵌入表示;为混合系数,在区间[0,1]上取值。

7.根据权利要求1所述的一种基于知识图谱与邻接图协同采样的信息推荐方法,其特征在于,还包括,采用对比损失来区分正样本和合成的困难负样本,对比损失的表达式为:;

其中,是负样本数量,是用户的嵌入表示;为所述正样本项目的嵌入表示;为困难负样本的嵌入表示;T表示转置符号。

8.根据权利要求1所述的一种基于知识图谱与邻接图协同采样的信息推荐方法,其特征在于,所述基于多头图注意力网络,采用正样本和合成的困难负样本对所述初始嵌入表示进行训练,还包括:通过残差连接与特征交互生成实体节点h在第k个头的最终表示,表达式为:;

其中,为可训练参数矩阵;为激活函数;

经过双向多头聚合,对实体的多头进行拼接,得到当前图层的实体嵌入表示,表达式为:;

其中,表示多头注意力网络的头数;表示实体节点h在第头的最终表示;为拼接操作;

再经过多层网路递归聚合,捕捉节点高层特征,得到更新后的实体嵌入表示,即更新后的用户嵌入表示和项目嵌入表示。

9.根据权利要求2所述的一种基于知识图谱与邻接图协同采样的信息推荐方法,其特征在于,基于所述更新后的用户嵌入表示和项目嵌入表示计算交互概率,为用户生成推荐项目,具体为:基于所述更新后的用户嵌入表示和项目嵌入表示,通过内积运算构建用户-实体交互得分函数,表达式为:;

其中,表示用户对实体的偏好强度,即交互概率,得分越高,表示交互概率越大;表示更新后的用户嵌入表示;表示项目嵌入表示;表示转置符号;

则,用户历史交互数据中的正样本实体集合pose的整体偏好强度量化为:;

其中,表示正样本实体集合的节点;表示节点i的嵌入表示;

根据计算得到的交互概率,对所有项目进行排序,选择交互概率大于设定阈值的项目推荐给用户;

并采用用户偏好特征表示损失函数对交互概率进行训练,用户偏好特征表示损失函数的表达式为:;

;

;

;

;

其中,为贝叶斯个性化排序损失,用于确保未交互实体远离用户偏好空间;为Sigmoid函数;表示用户实体总数和项目实体总数的调和参数;为正样本集合的偏好强度;为负样本集合的偏好强度;

为间隔损失,用于约束正样本得分与负样本得分的差距;为超参数预设间隔阈值;

为正则化损失,用于约束嵌入向量模长防止过拟合;为正则化系数;表示矩阵Frobenius范数;表示第n个用户嵌入表示。

10.一种基于知识图谱与邻接图协同采样的信息推荐装置,用于实现如权利要求1-9任意一项所述的一种基于知识图谱与邻接图协同采样的信息推荐方法,其特征在于,包括:协同知识图谱构建单元,用于获取用户历史交互数据,构建包含用户、项目与关系的三元组,并与预建的项目属性图谱融合构建协同知识图谱;

初始嵌入表示单元,用于基于所述协同知识图谱,通过约束关系空间的投影变换进行表示对齐,得到预训练的初始嵌入表示;

多跳邻居集合单元,用于基于所述用户历史交互数据,通过有偏随机游走进行多跳邻居采样,得到多跳邻居集合;其中,所述有偏随机游走的跳数根据当前训练轮数动态调整;

锚点邻居单元,用于在所述多跳邻居集合中,确定与正样本项目的嵌入表示最相似的邻居作为锚点邻居;

困难负样本合成单元,用于将所述正样本项目的嵌入表示与所述锚点邻居的嵌入表示进行线性插值,以合成困难负样本的嵌入表示;

多头图注意力单元,用于基于多头图注意力网络,采用正样本和合成的困难负样本对所述初始嵌入表示进行训练,以捕捉知识图谱的高阶信息并聚合得到更新后的嵌入表示;

推荐生成单元,用于基于所述更新后的嵌入表示计算交互概率,为用户生成推荐项目。