一种融合深度领域信息和重要性信息的知识图谱推荐系统的制作方法

本发明涉及推荐方法，具体为一种融合深度领域信息和重要性信息的知识图谱推荐系统。

背景技术：

1、推荐系统，作为电子商务网站的得力助手，旨在精准地向客户推送商品信息及个性化建议，模拟并优化传统销售过程中的个性化服务体验，助力用户高效决策，轻松选购心仪产品。在电子商务蓬勃发展的今天，商品数量与种类呈爆炸式增长，消费者往往面临信息海洋的挑战，需耗费大量时间筛选，这一过程不仅繁琐，更可能导致用户因信息过载而流失。

2、为应对这一困境，个性化推荐系统应运而生，它依托强大的数据挖掘技术，构建起一座连接海量数据与消费者个性化需求的智能桥梁。然而，传统推荐系统受限于用户与商品间历史交互数据的稀疏性及冷启动挑战，其效能难以充分发挥。在此背景下，知识图谱作为一种辅助信息被引入推荐系统中，有效增强了推荐的准确性和多样性。

3、然而，现有的基于知识图谱的推荐模型在整合高阶信息时，往往未能充分考量源节点与目标节点间的重要性差异，这可能导致关键节点信息的遗漏，同时引入不必要的噪声，难以全面捕捉用户的潜在兴趣与偏好。鉴于此，本发明提出了一种采样策略，将深度搜索采样与重要性邻域采样策略精妙融合，旨在更精准地挖掘用户与商品背后的深层联系与潜在偏好。这一策略不仅有效降低了随机采样带来的不确定性，还为模型训练提供了清晰的方向指引，加速了学习进程，让推荐系统更加智能、高效，为用户带来前所未有的个性化购物享受，于是，有鉴于此，针对现有的结构予以研究改良，提供一种融合深度领域信息和重要性信息的知识图谱推荐系统，以期达到更具有实用价值性的目的。

技术实现思路

1、为了解决上述技术问题，本发明提供了如下的技术方案：

2、本发明一种融合深度领域信息和重要性信息的知识图谱推荐系统，包括深度搜索逐层采样模块、图嵌入模块、重要性邻域采样模块、邻域聚合模块和预测模块；

3、所述深度搜索逐层采样模块包括深度搜索策略组件和单隐层神经网络组件；

4、所述图嵌入模块采用的是word2vec模型中的skip-gram方法，根据当前词来预测上下文的概率；

5、所述重要性邻域采样模块量化网络中各节点与中心节点之间的紧密性关系；

6、所述邻域聚合模块通过定义用户对关系的关注因子，并利用关注因子对节点的邻居信息进行加权聚合，最后将节点自身的信息与聚合后的邻居信息融合；

7、所述预测模块设置为根据所述输入用户嵌入和项目嵌入向量获得推荐结果。

8、作为本发明的一种优选技术方案，所述知识图谱中采用深度搜索策略对节点进行逐层采样，以获得多条游走路径，针对用户u对项目v的交互(u，v)，首先对项目v在知识图谱中进行定位，然后以项目节点v为起点，通过从内向外、逐层游走的方式对图中的节点进行采样，得到多个节点序列，节点的深度信息是通过控制节点游走的层数来控制的。

9、作为本发明的一种优选技术方案，所述在获得多条游走路径后，利用一个单隐层神经网络来训练采样后得到的节点序列集合，单隐层神经网络的输入层输入的是节点序列，其中的“1”表示输入对应位置的节点，“0”表示被预测的节点，也就是在训练过程通过当前的一个节点去预测与其相连的其它节点的信息，通过类似的多条路径训练收敛后，将隐藏层的权重矩阵作为节点的嵌入矩阵vd。

10、作为本发明的一种优选技术方案，所述重要性领域采用模块，其特征在于量化网络中各节点与中心节点之间的紧密性关系，具体还包括如下步骤：

11、步骤s1：计算网络中所有节点与中心节点之间的紧密度，值越高则说明该节点与中心节点的关系更紧密；

12、步骤s2：对紧密度进行排序，选取前k个值，这k个值对对应的节点，即为采样的目标节点；

13、所述领域聚合模块包括以下几个步骤：

14、步骤s1：定义用户u对关系r的关注因子，用户u对关系r的关注因子表示用户对特定关系的关注程度，我们用函数f表示用户u对关系r的关注得分，具体公式如下：

15、

16、步骤s2：归一化处理，为了使得关注因子在不同关系之间具有可比性，我们需要对关注因子进行归一化处理，具体公式如下：

17、

18、步骤s3：利用归一化后的关注因子对节点v的邻居信息进行加权聚合，用表示，具体如下：

19、

20、步骤s4：融合节点v自身的信息与邻居信息，将节点v自身的信息与聚合后的邻居信息进行融合，得到新的节点信息表示，具体公式如下：

21、

22、本发明的有益效果是：

23、1、本发明采用基于嵌入和路径相结合的知识图网络推荐方法优化已有模；

24、2、本发明将深度搜索节点采样和重要性采样两种策略对知识图谱进行学习，以便更准确地获取用户和项目的潜在偏好。既可以减少随机采样带来的不确定性，也可以为模型训练提供一个导向，加速训练过程，具有较高的实用价值。

技术特征：

1.一种融合深度领域信息和重要性信息的知识图谱推荐系统，包括深度搜索逐层采样模块、图嵌入模块、重要性邻域采样模块、邻域聚合模块和预测模块；

2.根据权利要求1所述的一种融合深度领域信息和重要性信息的知识图谱推荐系统，其特征在于，所述知识图谱中采用深度搜索策略对节点进行逐层采样，以获得多条游走路径，针对用户u对项目v的交互(u，v)，首先先对项目v在知识图谱中进行定位，然后以项目节点v为起点，通过从内向外、逐层游走的方式对图中的节点进行采样，得到多个节点序列，节点的深度信息是通过控制节点游走的层数来控制的。

3.根据权利要求1所述的一种融合深度领域信息和重要性信息的知识图谱推荐系统，其特征在于，所述在获得多条游走路径后，利用一个单隐层神经网络来训练采样后得到的节点序列集合，单隐层神经网络的输入层输入的是节点序列，其中的“1”表示输入对应位置的节点，“0”表示被预测的节点，也就是在训练过程通过当前的一个节点去预测与其相连的其它节点的信息，通过类似的多条路径训练收敛后，将隐藏层的权重矩阵作为节点的嵌入矩阵vd。

4.根据权利要求1所述重要性领域采用模块，其特征在于量化网络中各节点与中心节点之间的紧密性关系，具体还包括如下步骤：

技术总结本发明公开了一种融合深度领域信息和重要性信息的知识图谱推荐系统，包括深度搜索逐层采样模块在知识图谱中采用深度搜索策略对节点进行逐层采样，以获得多条游走路径，在获得多条游走路径后，利用一个单隐层神经网络来训练采样后得到的节点序列集合；图嵌入模块对知识图谱进行深层次的语义挖掘，不仅从深度上挖掘了信息，还考虑了信息的重要性，从而得到了更为丰富和全面的表示；重要性邻域采样模块设置为量化网络中各节点与中心节点之间的紧密性关系。本发明提出了在采样过程中将深度搜索采样策略与重要性邻域采样策略相结合的方法，更准确地获取用户和项目的潜在偏好，实现了不差于深度模型的性能和速度。技术研发人员：张雪莲受保护的技术使用者：张雪莲技术研发日：技术公布日：2024/11/21