一种语义与重要度引导的扩散图谱推荐方法及系统

本发明属于推荐系统，尤其涉及一种语义与重要度引导的扩散图谱推荐方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、近年来，随着互联网信息的爆炸式增长，推荐系统在缓解信息过载、实现个性化信息分发方面发挥了核心作用。基于协同过滤的传统推荐算法，虽然能够通过挖掘用户历史行为提供一定程度的个性化推荐，但在处理数据极其稀疏的场景或冷启动问题时，推荐效果显著下降，准确性难以满足实际应用需求。

3、为解决上述问题，研究人员开始将知识图谱引入推荐系统。知识图谱将实体与物品的关联映射为图结构，通过刻画实体间的语义关系为推荐系统提供丰富的辅助信息，有效提升了系统对物品特征与用户偏好的推理能力。然而，真实世界中构建的原始知识图谱往往存在严重的信息冗余与拓扑噪声，例如无意义的弱关联连边、错误或不准确的实体关系。传统的图神经网络方法在图谱上进行信息聚合时，通常采用“无差别吸收”的策略，即对所有邻居节点一视同仁，缺乏对高相关性信息的甄别与提纯能力。这导致大量对推荐任务无益的边缘节点和噪声实体被引入模型，掩盖了真正核心的特征，使得推荐结果的准确性和置信度大打折扣。

4、现有基于图神经网络的知识图谱推荐方法存在明显局限。其一，语义维度的特征聚焦不足，传统方法忽略物品节点本身丰富的描述性文本属性，单纯的拓扑去噪极易丢失事物的核心语义本质，导致重构的图谱缺乏强相关的辅助支撑。如何在庞杂的图谱中利用大语言模型精准提取并保留最强相关的语义实体特征，是现有技术尚未解决的问题。其二，结构维度的有效信息保留不足，现有的特征聚合机制无法识别节点在图中的真实重要程度，使得边缘节点或错误连边在传播中产生“误差放大”效应，严重削弱了推荐结果的抗噪鲁棒性。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了一种语义与重要度引导的扩散图谱推荐方法及系统，旨在解决现有推荐系统在利用知识图谱时，因忽略文本语义和无法有效甄别拓扑噪声而导致推荐准确性低、抗噪鲁棒性差的问题。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、本发明第一方面提供了一种语义与重要度引导的扩散图谱推荐方法；

4、一种语义与重要度引导的扩散图谱推荐方法，包括：

5、构建用户-物品交互图与原始知识图谱，利用大语言模型提取物品文本语义特征，将语义特征与图谱节点特征进行空间对齐，得到文本特征向量；

6、将所述文本特征向量与反应节点全局可信度的节点结构特征进行融合，构建联合条件引导向量，并在所述联合条件引导向量的约束下，通过扩散模型对原始知识图谱进行前向加噪与逆向去噪，重构得到去噪后的知识图谱；

7、计算去噪后的知识图谱中节点的标量重要度得分，将所述标量重要度得分注入到图注意力聚合网络中，对邻居节点特征进行加权聚合，得到更新后的节点特征表示；

8、以原始知识图谱与去噪后的知识图谱为双视图，执行跨视图自监督对比学习，通过多任务联合优化，输出最终推荐结果。

9、作为进一步的技术方案，构建用户-物品交互图与原始知识图谱，利用大语言模型提取物品文本语义特征，将语义特征与图谱节点特征进行空间对齐，得到文本特征向量，包括：

10、构建用户集合与物品集合，分配随机初始化的特征向量，形成用户-物品交互图；

11、获取原始知识图谱的三元组数据，构建初始知识图谱邻接矩阵；

12、采集物品的文本描述信息，通过预训练的llama模型提取高维原始语义向量；

13、通过包含层归一化和relu激活函数的投影网络对所述高维原始语义向量进行降维映射，对齐至图特征空间，得到文本特征向量。

14、作为进一步的技术方案，构建的联合条件引导向量为：

15、

16、其中，表示用于引导扩散去噪生成方向的联合条件向量；表示上游模块输出的物品文本特征向量；表示反映节点拓扑重要性的结构特征向量；表示向量间的特征拼接操作。

17、作为进一步的技术方案，通过扩散模型对原始知识图谱进行前向加噪与逆向去噪，重构得到去噪后的知识图谱，包括：

18、基于所述联合条件引导向量，执行前向高斯扩散过程，在多个时间步内逐步向原始知识图谱的邻接矩阵中添加高斯噪声，将其转化为连续概率分布；

19、利用条件概率建模去噪网络，在所述联合条件引导向量的约束下执行逆向去噪过程，从带噪状态中逐步预测并剔除噪声，重构得到去噪后的知识图谱。

20、作为进一步的技术方案，计算去噪后的知识图谱中节点的标量重要度得分，具体包括：

21、针对去噪后知识图谱中的每个节点，计算其多维拓扑统计指标，所述多维拓扑统计指标包括度中心性、pagerank值、特征向量中心性、入度、出度及对数度；

22、对各指标进行最大最小归一化处理，并将归一化后的各指标拼接成节点的结构特征矩阵；

23、引入可学习的参数向量，经softmax激活函数归一化后与所述结构特征矩阵进行线性组合，计算每个节点的标量重要度得分：

24、

25、其中，表示模型自适应评估得出的节点整体重要度标量得分；表示用于调节第种统计学指标权重的可学习参数；表示节点在结构特征矩阵中对应第种拓扑指标的归一化特征值。

26、作为进一步的技术方案，将标量重要度得分注入到图注意力聚合网络中，对邻居节点特征进行加权聚合，得到更新后的节点特征表示，包括：

27、将所述标量重要度得分作为额外的注意力偏置，注入到关系图注意力聚合网络聚合层中，计算中心节点对其邻居节点的注意力得分：

28、

29、其中，表示中心节点对邻居节点的初始注意力关注得分；表示与维度一致的全1向量，用于将关系调制后的向量特征求和映射为标量注意力得分；与分别表示在当前层图网络中中心节点与邻居节点的隐特征向量；表示用于线性变换的投影权重矩阵；表示连接两节点间特定关系类型的特征向量；表示上文得出的中心节点的全局拓扑重要度得分；

30、对邻居节点特征进行加权聚合，得到更新后的节点特征表示：

31、

32、其中，表示中心节点在经过本轮聚合后输出的下一层特征向量；表示经局部归一化后的注意力加权系数；表示去噪后仍然保留连边的邻居集合。

33、作为进一步的技术方案，以原始知识图谱与去噪后的知识图谱为双视图，执行跨视图自监督对比学习，通过多任务联合优化，输出最终推荐结果，包括：

34、将原始知识图谱和去噪后的知识图谱分别输入图注意力聚合网络中，生成原始视图节点特征表示和去噪视图节点特征表示；

35、构建跨视图自监督对比学习任务，将同一物品在原始视图与去噪视图下的特征表示作为正样本对，将同一训练批次中不同物品的特征表示作为负样本对，采用infonce损失函数进行优化，计算对比学习损失；

36、构建推荐主任务的贝叶斯个性化排序损失函数，并将推荐主任务损失、对比学习损失、扩散去噪重构损失以及用户-知识图谱一致性损失作为训练目标；通过联合训练或交替优化方式更新模型参数，输出最终推荐结果。

37、本发明第二方面提供了一种语义与重要度引导的扩散图谱推荐系统。

38、一种语义与重要度引导的扩散图谱推荐系统，包括：

39、特征对齐模块，被配置为：构建用户-物品交互图与原始知识图谱，利用大语言模型提取物品文本语义特征，将语义特征与图谱节点特征进行空间对齐，得到文本特征向量；

40、条件扩散去噪模块，被配置为：将所述文本特征向量与反应节点全局可信度的节点结构特征进行融合，构建联合条件引导向量，并在所述联合条件引导向量的约束下，通过扩散模型对原始知识图谱进行前向加噪与逆向去噪，重构得到去噪后的知识图谱；

41、重要性感知聚合模块，被配置为：计算去噪后的知识图谱中节点的标量重要度得分，将所述标量重要度得分注入到图注意力聚合网络中，对邻居节点特征进行加权聚合，得到更新后的节点特征表示；

42、双视图对比学习与联合优化模块，被配置为：以原始知识图谱与去噪后的知识图谱为双视图，执行跨视图自监督对比学习，通过多任务联合优化，输出最终推荐结果。

43、本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种语义与重要度引导的扩散图谱推荐方法中的步骤。

44、本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种语义与重要度引导的扩散图谱推荐方法中的步骤。

45、以上一个或多个技术方案存在以下有益效果：

46、（1）本发明将大语言模型提取的深层文本语义先验与节点的统计学中心性指标进行深度融合，构建了语义与结构双重引导的条件扩散去噪机制。通过在大语言模型提供的高维语义空间中进行特征提取与对齐，使得扩散模型在逆向去噪过程中能够明确区分“有意义的关联”与“无意义的噪声”，从而在剔除冗余连边的同时最大程度地保留了物品的核心属性特征，显著提升重构图谱的信噪比，为后续推荐任务提供高质量的图结构输入。

47、（2）本发明提出了基于拓扑重要度感知的图注意力聚合机制，有效遏制了异构图谱中的误差级联放大效应。通过定量计算节点在全局图谱中的度中心性、pagerank值、特征向量中心性等多维拓扑指标，并引入可学习参数自适应评估各指标的重要性权重，将其作为额外的注意力偏置注入聚合过程。这使得模型能够智能地为核心实体分配极高的注意力权重，同时抑制边缘噪声的干扰。

48、（3）本发明采用原始图谱与去噪图谱的双视图对比学习方法，通过自监督方式显著提升了模型在数据稀疏和强噪声环境下的泛化能力。本发明利用扩散模型重构的去噪视图与原始视图构建跨视图正负样本对，采用infonce损失函数迫使模型学习到物品在不同视角下的“共性”表征而忽略“噪声”表征。这种对比学习机制使得模型即使在缺乏大量用户反馈的情况下，也能够从知识图谱中自主挖掘稳定、鲁棒的特征表示，大幅提升了在长尾物品和冷启动场景下的推荐准确性。

49、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。