基于DeepFM和注意力机制的知识图谱图书推荐方法及系统

本发明涉及图书推荐方法，尤其涉及基于deepfm和注意力机制的知识图谱图书推荐方法及系统。

背景技术：

1、随着智能手机和平板电脑的普及，在线图书为读者提供了便捷的阅读平台，使读者能够利用碎片化时间随时随地进行阅读，为满足不同读者的阅读需求，在线图书的种类和数量呈现指数式增长，信息过载问题相应出现。推荐系统作为有效缓解信息过载的工具，在图书推荐中得到广泛应用，其根据读者阅读行为和偏好实时调整推荐列表，确保找到符合其阅读偏好的书籍，从而提升阅读体验。

2、读者数量与电子图书的海量库存相比微不足道，与此同时，读者与电子图书的交互数据往往是隐式的，导致读者的阅读偏好不易捕捉，存在数据稀疏性问题。目前图书网站通过辅助信息社交网络、评论文本、知识图谱和上下文信息缓解数据稀疏。其中，知识图谱因其丰富的语义关系和精准获取用户兴趣脱颖而出。

3、针对上述问题，本发明提出了基于deepfm和注意力机制的知识图谱图书推荐方法，以解决图书推荐场景中因隐式交互数据稀疏，无法精准捕捉读者兴趣导致的推荐列表不准确问题。

技术实现思路

1、鉴于上述现有技术中存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：通过结合deepfm模型和注意力机制，构建一个新型的推荐系统，旨在克服现有系统的局限性。首先，将实现更精确的知识图谱嵌入表示，不仅关注三元组本身，还考虑实体之间的复杂关系和高阶信息，从而提升推荐系统的信息挖掘能力和推荐准确度。其次，采用注意力机制优化模型，平衡和整合低阶和高阶特征交互，以提高向量表示的精确性和推荐效果。最后，开发一种通用且具有良好泛化能力的路径分析方法，能够自动学习和适应不同的场景和应用需求，从而使得推荐系统在实际应用中更具灵活性和可扩展性。

3、为解决上述技术问题，本发明提供如下技术方案：基于deepfm和注意力机制的知识图谱图书推荐方法，包括：构建协同知识图谱，利用transe方法获取读者初始向量嵌入，利用transh方法获取电子图书的初始向量嵌入；利用one-hot编码处理读者特征和电子图书特征，获取读者向量表示和电子图书向量表示；通过deepfm模型对读者向量表示优化，将transe模型获得的读者初始嵌入向量与deepfm模型的输出融合，获取最终读者向量xreader；将one-hot编码预处理后的电子图书向量表示输入kgat模型的嵌入层获取电子图书的特征嵌入表示，与transh模型获得的电子图书初始嵌入向量求和，获取d维电子图书向量嵌入后使用kgat模型的信息传播模块优化，获取电子图书向量xbook；将读者向量和电子图书向量做内积操作获取预测评分，采用综合损失函数优化模型参数。

4、作为本发明所述的基于deepfm和注意力机制的知识图谱图书推荐方法的一种优选方案，其中：所述构建协同知识图谱包括将读者电子图书二部图r＝{(u,v)|u∈u,v∈v}的项目v和知识图谱gkg＝{(h,r,t)|h,t∈e,r∈r}中的实体e对齐连接，并将读者作为新的实体加入到实体集中，读者和电子图书的隐式交互关系作为新的关系加入到关系集中，构建协同知识图谱g＝{(h,r,t)|h,t∈e',r∈r'}，其中，h,r,t分别表示三元组的头实体、关系和尾实体；e'＝e∪u，二部图项目v是知识图谱实体e的子集，u是读者集合；r'＝r∪{interaction}，r是知识图谱中的关系集合，{interaction}是读者与电子图书的隐式交互关系，构建完成协同知识图谱，利用transe方法获取读者初始向量嵌入，利用transh方法获取电子图书的初始向量嵌入。

5、作为本发明所述的基于deepfm和注意力机制的知识图谱图书推荐方法的一种优选方案，其中：所述读者初始向量嵌入包括将读者的人口统计信息抽取到知识图谱中，利用transe方法将读者知识图谱的实体和关系嵌入到维度为m的向量空间，获取读者初始向量嵌入eu＝{e1,e2,…em}，其中，em表示读者m的第i个属性所对应的向量；所述电子图书的初始向量嵌入包括将电子图书的属性信息抽取到知识图谱中，利用transh方法将电子图书知识图谱中实体和关系嵌入到n维的向量空间，获取电子图书初始向量嵌入，表示为：

6、evi＝{e1i,e2i,…eni}，

7、其中：

8、eni＝{e1ni,e2ni,…efni}，

9、其中，eni表示电子图书n的第i个属性所对应的向量，efni表示电子图书n的第i个属性的第f个取值。

10、作为本发明所述的基于deepfm和注意力机制的知识图谱图书推荐方法的一种优选方案，其中：所述one-hot编码处理包括处理读者特征包括性别，年龄以及职业和电子图书特征包括作者，主角以及题材，对读者特征和电子图书特征进行预处理one-hot编码，将数值特征进行标准化处理，获取读者向量表示和电子图书向量表示，使用deepfm模型对读者向量优化，使用kgat模型的信息传播层对电子图书向量优化。

11、作为本发明所述的基于deepfm和注意力机制的知识图谱图书推荐方法的一种优选方案，其中：所述使用deepfm模型对读者向量优化包括利用fm模块提取读者的一阶特征信息和二阶特征交互信息，deep模块提取读者的高阶特征交互信息，将deepfm的fm模块和deep两个模块的输出加权求和，获取优化后的读者向量表示：

12、

13、其中，wi是读者特征xi的参数权重，vi是特征向量xi的隐含向量，b是偏置项；

14、将transe获取的读者初始向量嵌入eu与deepfm优化后的读者向量表示reader融合，d表示读者向量表示维度，在transe和deepfm模型的最后添加全连接层。

15、作为本发明所述的基于deepfm和注意力机制的知识图谱图书推荐方法的一种优选方案，其中：所述使用kgat模型的信息传播层对电子图书向量优化包括采用关系感知图注意力网络迭代聚合邻域信息，获取电子图书的实体表示，经过多层迭代传播后得到电子图书的每一层表示，累加得到d维的电子图书向量xbook；

16、第l层迭代具体过程表示为：h表示头实体，nh表示与头实体h相邻的尾，实体和关系r的集合，头实体h邻域内包含多个邻居实体，头实体与不同邻居实体的关系权重不同，利用注意力机制动态计算邻居实体的权重，δ‘r(h,t)表示为：

17、δ‘r(h,t)＝fsim(eh⊥,er+et⊥)

18、其中，fsim是余弦相似度函数，eh⊥,et⊥是给定知识图谱三元组(h,r,t)，经过映射后的头实体和尾实体表示,er是头尾实体间的关系表示,使用softmax函数归一化处理，表示为：

19、

20、得到当前头实体h在l层的邻域特征利用邻域信息表示：

21、

22、其中，是l层迭代过程中融合了关系特征的尾实体t的表示；

23、使用gcn聚合函数将头实体h自身特征和邻域特征相加，经过非线性变换层得到l+1层的头实体h表示：

24、

25、其中，表示头实体h在第层的嵌入表示，σ是激活函数；

26、经过多层注意力机制迭代的信息传播后，获得电子图书的每一层表示，将每一层的表示累加，得到d维的电子图书向量xbook。

27、作为本发明所述的基于deepfm和注意力机制的知识图谱图书推荐方法的一种优选方案，其中：所述预测评分包括将读者向量和电子图书向量做内积操作获得预测评分：所述优化模型参数包括综合损失优化电子图书推荐模型参数，将推荐模型的损失函数和知识图谱初始向量嵌入的损失函数相加：l＝le-book+lkg；

28、推荐模型的任务目标包括将预测评分最高的前k个电子图书推荐给读者，选用bpr损失函数优化推荐模型参数，确保正样本的预测评分高于负样本：

29、

30、transe方法将读者知识图谱映射到低维稠密向量空间和使用transh方法将电子图书知识图谱射到低维稠密向量空间的损失函数:

31、lkg＝∑(h,r,t,t')-lnσ(g(h,r,t')-g(h,r,t))。

32、为解决上述技术问题，本发明提供如下技术方案：基于deepfm和注意力机制的知识图谱图书推荐系统，包括：知识图谱嵌入模块、kgat信息传播模块、deepfm模块以及评分预测模块；

33、所述知识图谱嵌入模块，根据读者人口统计信息和电子图书的属性特征，使用transe方法和transh方法获取初始向量嵌入eu和evi；

34、所述kgat信息传播模块，将one-hot编码预处理后的低维稠密向量特征v和transh模型获得的电子图书初始嵌入向量evi求和，获取d维的电子图书向量嵌入表示，作为kgat模型嵌入层的输入，采用关系感知图注意力网络迭代聚合领域信息，使用kgat模型的信息传播模块优化，获取最终电子图书向量xbook；

35、所述deepfm模块，通过fm模块提取读者的一阶特征信息和二阶特征交互信息，deep模块提取读者的高阶特征交互信息，通过激活函数获取优化后的读者向量表示reader，在transe和deepfm模型的最后添加全连接层将transe获取的读者初始向量嵌入eu与deepfm优化后的读者向量表示reader融合，获取最终读者向量xreader；

36、所述评分预测模块，将预测评分最高的前k个电子图书推荐给读者。

37、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的基于deepfm和注意力机制的知识图谱图书推荐方法的步骤。

38、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的基于deepfm和注意力机制的知识图谱图书推荐方法的步骤。

39、本发明的有益效果：相较于传统的推荐算法，该方法不仅降低了冷启动对推荐效果的影响，还充分利用知识图谱的关系信息和特征的交互信息，获取多源信息，使得读者向量和图书向量表示更加准确，进而提升模型的泛化能力和推荐效果。