一种基于时序知识图谱嵌入的网购策略推荐方法

本发明涉及数据挖掘，具体涉及一种基于时序知识图谱嵌入的网购策略推荐方法。

背景技术：

1、为了解决早期协同过滤算法中出现的用户项目交互稀疏和冷启动问题，知识图谱开始作为辅助信息融入推荐系统中。这种方法采用了不同的策略，包括基于表示的方法、基于路径的方法以及两者的融合。在基于表示的方法中，通过学习连接用户和商品对之间路径的方式，直接对用户和商品的关系进行建模。这种方法能够有效地捕捉用户的偏好和商品的属性，但是其局限性在于仅仅补充了用户和商品之间的联系，未能捕捉到知识图谱中更为丰富的语义关系。另一方面，在基于路径的方法中，信息在整个知识图谱上传播，从而引入了与特定用户-商品无关的噪声。虽然这种方法能够更全面地传递知识，但也带来了一定的问题。为了克服这些局限性，研究者尝试将基于表示的方法和基于路径的方法融合起来。通过这种融合，推荐系统能够同时从知识图谱中获取丰富的语义信息，并更好地捕捉用户与商品之间的关系。这种综合方法在一定程度上解决了推荐系统中的稀疏性和冷启动问题，为用户提供更准确、个性化的推荐服务。

2、在信息推荐系统中引入知识图谱，能够更全面地表现相关语义关系，深入挖掘用户兴趣。因此，知识图谱已经成为人工智能应用的重要基石，在信息检索、智能问答和在线推荐等领域引起学术界和商业界等广泛关注。目前，许多经典的知识图谱已经构建出来，如freebase、dbpedia和yago等，以机器可读的格式展现了人类真实世界的复杂知识。受到词向量的启发，研究者将知识图谱中的实体和关系转化为连续空间的表示形式，这样可以蕴含更多语义关系，同时也使得计算机更容易计算和处理。这种方法在推荐系统中有着广泛应用，为用户提供更准确、个性化的推荐服务。

3、与传统的推荐场景相比，网上购物推荐涉及到更多重要信息，如商品种类、购买历史、购物偏好、价格范围、品牌偏好等。同时，用户与商品之间的关系也是需要提取的关键信息。然而，现有的方法在处理这些问题时往往没有充分考虑商品信息与用户之间的隐含关联特征，导致对稀疏数据和冷启动问题的处理效果不理想。

4、另一个挑战是用户的偏好随着时间的变化而动态变化，目前大多数的工作仅关注静态的用户-商品交互来预测当前的用户兴趣。然而，不同特征和关系在时间权重的作用下，其重要性是动态变化的，这需要更加灵活的方法来处理。

技术实现思路

1、本发明的目的在于提供一种基于时序知识图谱嵌入的网购策略推荐方法，旨在构造基于时序知识图谱嵌入的网购策略推荐模型，通过时间属性对用户和商品特征的重要性进行约束，利用偏好传播完成对商品的推荐任务，提升推荐精准度。

2、为实现上述目的，本发明提供了一种基于时序知识图谱嵌入的网购策略推荐方法，包括下列步骤：

3、步骤1：构建推荐信息知识图谱四元组，并对在线购物信息以及用户相关信息进行数据预处理；

4、步骤2：利用知识图谱嵌入模型得到头尾实体在关系空间上的嵌入表示，获得用户在三元组和当前候选商品项目的相关概率；

5、步骤3：根据用户在三元组和当前候选商品项目的相关概率，计算获得最终输出预测点击概率。

6、可选的，步骤1的执行过程，包括下列步骤：

7、步骤1.1：构建定义用户与商品项目交互行为的矩阵，矩阵确定形式如下：

8、

9、其中，用户集合x＝{x1,x2,…}和商品项目集合y＝{y1,y2,…}，并根据用户与商品项目的历史交互信息；当时，说明当前用户xm与商品项目yn之间曾经存在过隐性交互；否则，用户xm的k阶相关实体定义为时是用户的兴趣起点；即时的商品项目集合；是关于用户xm以为头实体的三元组集合，其中k＝1,2,...,h；

10、步骤1.2：构建网购项目信息嵌入矩阵，形式如下：

11、ui＝l1:n＝[l1,l2,…ln]

12、其中，n表示分词的个数；ui＝l1:n＝[l1,l2,…ln]∈rd×n来表示标题ui的词嵌入矩阵，所述网购项目信息嵌入矩阵从大规模语料库中预先学习或随机初始化；

13、步骤1.3：构建从头尾实体和关系中提取特征的函数，形式如下：

14、

15、其中，和τ是分隔正四元组和负四元组的边界,分别代表四元组和无效四元组集合；

16、步骤1.4：构建推荐信息知识图谱四元组并计算四元组重要性得分，计算方式如下：

17、

18、其中，d为用户x对该三元组的实体最近两次交互的时间距离。

19、可选的，步骤2的执行过程，包括下列步骤：

20、步骤2.1：利用知识图谱嵌入模型得到四元组的头尾实体在关系空间上嵌入表示；

21、步骤2.2：充分考虑时间因素，通过步骤1.4计算出的重要性得分、四元组与候选商品项目yn相关概率共同参与最后的概率决策；

22、步骤2.3：得出用户在第k层的三元组和当前候选商品项目yn的相关概率pk，形式如下：

23、

24、其中，rm∈rd×d是对三元组关系矩阵表示，hm∈rd是头实体在关系超平面上的表示，相关概率pk作为在当前关系中候选商品产品的嵌入表示yn和三元组之间的相关性的表示。

25、可选的，步骤3的过程，包括下列步骤：

26、步骤3.1：在对头实体的其中第1层偏好传播之后，将所有的一阶兴趣集的尾实体嵌入进行加权求和，得到用户兴趣在第一层扩散表示形式如下：

27、

28、步骤3.2：用第一层四元组的尾实体作为二阶四元组头实体，再次通过偏好传播获得用户第二层兴趣重复步骤3.1的处理可以得到

29、步骤3.3：重复执行直至遍历结束整个用户集合后退出循环，形式如下：

30、

31、其中，为用户的兴趣集合；

32、步骤3.4：计算出用户点击其感兴趣商品项目的概率，其形式如下：

33、

34、其中，为对应项目在关系平面上的嵌入yemb与计算用户偏好传播得出的之间内积后的结果，得出用户对商品项目的感兴趣程度。

35、本发明提供了一种基于时序知识图谱嵌入的网购策略推荐方法，首先对网购信息以及用户相关信息进行数据预处理，根据特征推荐信息知识图谱四元组并计算四元组重要性得分，然后在数据预处理完成后，使用知识图谱四元组作为输入，最终得出用户在三元组和当前候选商品项目的相关概率，最后根据得到的用户在三元组和当前候选商品项目的相关概率，实现对用户行为的预测。本发明将网购信息特征属性转换为特征向量，通过知识图谱的结构性优势进行偏好传播，发散性地收集用户偏好。同时在网购信息推荐领域创新地考虑了时间因素对用户当前兴趣的影响，从而增强了推荐信息的时效性和准确性。

技术特征：

1.一种基于时序知识图谱嵌入的网购策略推荐方法，其特征在于，包括下列步骤：

2.如权利要求1所述的基于时序知识图谱嵌入的网购策略推荐方法，其特征在于，

3.如权利要求2所述的基于时序知识图谱嵌入的网购策略推荐方法，其特征在于，

4.如权利要求3所述的基于时序知识图谱嵌入的网购策略推荐方法，其特征在于，

技术总结本发明涉及数据挖掘技术领域，具体涉及一种基于时序知识图谱嵌入的网购策略推荐方法，首先对网购信息以及用户相关信息进行数据预处理，根据特征推荐信息知识图谱四元组并计算四元组重要性得分，然后在数据预处理完成后，使用知识图谱四元组作为输入，最终得出用户在三元组和当前候选商品项目的相关概率，最后根据得到的用户在三元组和当前候选商品项目的相关概率，实现对用户行为的预测。本发明将网购信息特征属性转换为特征向量，通过知识图谱的结构性优势进行偏好传播，发散性地收集用户偏好。同时在网购信息推荐领域创新地考虑了时间因素对用户当前兴趣的影响，从而增强了推荐信息的时效性和准确性。技术研发人员：徐士坤,周力青,郭慧受保护的技术使用者：桂林理工大学技术研发日：技术公布日：2024/9/2