融合知识图谱与图卷积神经网络的知识推荐方法

本发明涉及知识图谱，具体涉及一种融合知识图谱与图卷积神经网络的知识推荐方法。

背景技术：

1、核燃料制造过程涉及工艺任务、工艺设备、工艺参数、设备故障、技术规格书、工艺手册、维检记录及操作规程等多类知识。上述知识通常来源广泛、格式不一、专业术语密集，并长期分散存储于文档系统、设备台账、生产管理系统和维检记录中，容易形成知识孤岛。一线工程人员在面对工艺设计、参数设定、设备运行维护或故障查修任务时，往往需要在大量资料中人工检索、筛选和理解相关知识，存在检索效率低、知识关联难以发现、知识复用不足等问题。

2、现有知识管理系统多采用关键词检索、分类目录检索或基于内容相似度的推荐方式。这类方式通常依赖显式关键词匹配，难以理解工艺任务、设备实体、参数约束和参考文档之间的深层语义关系；当用户输入的任务描述与文档中的表述方式不完全一致时，容易出现检索遗漏或推荐偏差。传统协同过滤模型虽然能够利用历史浏览、收藏、下载等行为学习用户偏好，但在工业知识服务中，交互数据稀疏、新用户和新任务频繁出现，导致冷启动问题明显，且协同过滤模型无法充分表达知识单元内部由工艺任务、设备、参数和文档构成的结构化语义。

3、知识图谱能够以实体—关系—实体的形式表示复杂工业知识，为核燃料制造工艺设备知识的结构化组织提供基础；图卷积神经网络能够在交互图或知识图谱上进行邻域聚合和高阶关联学习，为推荐系统提供深层特征表示。然而，单纯使用知识图谱嵌入容易忽略用户在不同任务情境下形成的动态偏好，单纯使用图卷积协同过滤又难以处理知识单元语义结构和新应用情境冷启动。因此，需要一种将知识图谱语义特征、图卷积协同特征、任务情境特征与用户背景特征统一建模的知识推荐方法。

技术实现思路

1、为解决至少一个上述问题，本发明提出了一种融合知识图谱与图卷积神经网络的知识推荐方法。

2、本发明的技术方案是：一种融合知识图谱与图卷积神经网络的知识推荐方法，包括以下步骤：

3、s1、基于历史数据，构建工艺设备的知识单元和应用情境对象，并结合知识单元和应用情境对象的交互情况构建交互矩阵；所述应用情境对象包括用户情境和任务情境；

4、s2、根据交互矩阵和基于层注意力机制的lightgcn模型，对应用情境对象和知识单元进行更新并计算每层权重，对每层输出进行加权融合，得到应用情境协同特征向量和知识单元协同特征向量；

5、s3、对于待推荐情境对象和应用情境对象的对应关系，提取应用情境协同特征向量，基于transd构建知识图谱嵌入任务，降低高维稀疏表示带来的计算负担，并获得实体、关系的初始语义表示，基于kgat把知识图谱的局部结构关系和高阶邻域语义加入知识项表示，基于分层特征表示学习架构对多个实体进行加权聚合，得到知识单元的语义特征向量；

6、s4、利用平衡超参数对知识单元协同特征向量和知识单元的语义特征向量进行融合得到知识单元综合特征向量，计算应用情境协同特征向量和知识单元综合特征向量的内积，并用sigmoid非线性激活函数将内积转化为匹配度；选择匹配度位于前top-n的知识单元综合特征向量对应的知识单元作为推荐知识。

7、本发明有益效果如下：

8、1，将用户背景和当前工程任务统一建模为应用情境，使推荐不再只依赖单一用户画像或关键词。

9、2，利用lightgcn学习应用情境与知识单元之间的高阶协同关系，并利用knn近邻加权为新应用情境构造特征，缓解应用情境冷启动。

10、3，利用transd、kgat及阈值过滤提取知识图谱语义，弥补交互稀疏和新知识单元缺少交互记录造成的特征不足。

11、4，将协同特征与语义特征融合后生成top-n知识单元推荐，提升推荐结果与具体任务语义的匹配程度和可解释性。

1.一种融合知识图谱与图卷积神经网络的知识推荐方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的融合知识图谱与图卷积神经网络的知识推荐方法，其特征在于，所述知识单元包括制造工艺设备、制造任务、设备故障、工艺设备参考知识、工艺参数、项目、组织单元、专业领域；所述用户情境用于描述待推荐人员的基本属性和能力特征；所述任务情境用于描述知识应用过程中对应的任务背景。

3.根据权利要求1所述的融合知识图谱与图卷积神经网络的知识推荐方法，其特征在于，s2中，对不同的交互情况进行打分得到交互值，基于交互值构建交互矩阵；所述交互情况根据交互程度依次包括未交互、浏览、收藏、下载，交互程度越高，则交互值越高。

4.根据权利要求1所述的融合知识图谱与图卷积神经网络的知识推荐方法，其特征在于，s2包括以下分步骤：

5.根据权利要求1所述的融合知识图谱与图卷积神经网络的知识推荐方法，其特征在于，s2还包括以下步骤：若待推荐情境对象和应用情境对象不对应，则计算待推荐情境对象和应用情境对象的相似度，当相似度大于第一阈值时，将待推荐情境对象视为未应用情境对象对应并执行s3的步骤；当相似度小于第一阈值时，通过knn模型，获取与待推荐情境对象相似度排行前k个应用情境对象，并以待推荐情境对象和前k个应用情境对象的相似度，结合前k个应用情境对象的应用情境协同特征向量，进行加权聚合，得到待推荐情境对象的综合特征向量，并以该综合特征向量执行s3的操作。

6.根据权利要求1所述的融合知识图谱与图卷积神经网络的知识推荐方法，其特征在于，s3中，所述加权聚合包括以下步骤：首先将相同类型的实体的语义特征向量进行注意力加权聚合得到第一聚合向量，随后将不同实体的聚合向量进行拼接，并利用多层感知机进行非线性特征交叉和维度压缩，得到知识单元的语义特征向量。