推荐方法和装置与流程

技术特征：
1.一种推荐方法，其特征在于，包括：获取待推荐数据，其中，所述待推荐数据包括多个用户数据、多个项目数据、基于多个用户数据构建的用户知识图谱和基于多个项目数据构建的项目知识图谱；将所述待推荐数据输入训练好的推荐模型，得到所述待推荐数据中各用户数据对各项目数据的偏好得分预测值；基于所述待推荐数据中各用户数据对各项目数据的偏好得分预测值，为每一用户数据获取至少一个项目数据作为推荐项目数据。2.如权利要求1所述的推荐方法，其特征在于，所述推荐模型包括空间转换网络和偏好计算网络，所述推荐模型通过下述步骤训练：基于用户历史知识图谱获取用户数据集，并基于项目历史知识图谱获取项目数据集，其中，所述用户数据集包括至少一个用户数据，所述项目数据集包括至少一个项目数据；基于所述用户数据集和所述项目数据集获取第一类三元组，其中，各第一类三元组均包括头实体、关系和尾实体，各第一类三元组的头实体和尾实体均为所述用户数据集中的用户数据或所述项目数据集中的项目数据，各第一类三元组的头实体和尾实体通过关系表达正确知识；对第一类三元组中的尾实体进行随机替换，获取第二类三元组，其中，所述第二类三元组与所述第一类三元组一一对应；将第一类三元组和第二类三元组输入所述空间转换网络中，获取第一类三元组的嵌入表示，其中，所述空间转换网络为transr模型；基于第一类三元组和第二类三元组，获取所述空间转换网络的损失函数；对第一类三元组的头实体、关系和尾实体均进行随机替换，获取第三类三元组，其中，所述第三类三元组与所述第一类三元组一一对应；基于第一类三元组的嵌入表示，获取第三类三元组的嵌入表示；将第一类三元组的嵌入表示和第三类三元组的嵌入表示输入所述偏好计算网络，获取第一类三元组的嵌入表示中的用户数据和项目数据的注意力表示，并对用户数据和项目数据的注意力表示进行逐层聚合，获取用户数据的模型表示和项目数据的模型表示，并基于用户数据的模型表示和项目数据的模型表示，获取每一用户数据对每一项目数据的偏好得分预测值，其中，用户数据的注意力表示是头实体为用户数据的第一类三元组基于注意力权重获取的表示，项目数据的注意力表示是头实体为项目数据的第一类三元组基于注意力权重获取的表示，所述偏好计算网络为包含多层传播的基于注意力机制的图神经网络模型，在所述偏好计算网络的各层中均以全部第一类三元组的嵌入表示和全部第三类三元组的嵌入表示进行传播；根据每一用户数据对每一项目数据的偏好得分预测值获取所述偏好计算网络的损失函数；基于所述空间转换网络的损失函数和所述偏好计算网络的损失函数获取所述推荐模型的损失函数；通过根据所述推荐模型的损失函数调整所述推荐模型的参数组，对所述推荐模型进行训练。3.如权利要求2所述的推荐方法，其特征在于，所述将第一类三元组和第二类三元组输
入所述空间转换网络中，获取第一类三元组的嵌入表示，包括：将第一类三元组和第二类三元组输入所述空间转换网络中，获取第一类三元组中的关系的变换矩阵，并基于第一类三元组中的关系的变换矩阵，获取第一类三元组的嵌入表示，其中，所述变换矩阵用于将头实体的空间或尾实体的空间投影到关系空间。4.如权利要求3所述的推荐方法，其特征在于，所述第一类三元组的嵌入表示，表示为：；其中，；其中，为所述偏好计算网络的第层传播中任一第一类三元组的嵌入表示，代表头实体为用户数据或头实体为项目数据，为所述偏好计算网络的任一层传播中将头实体的空间和尾实体的空间均投影到关系空间的任一第一类三元组，为所述偏好计算网络的任一层传播中任一第一类三元组中的关系的变换矩阵，为所述偏好计算网络的任一层传播中的任一第一类三元组，为的头实体，为的关系，为的尾实体，为所述用户历史知识图谱和所述项目历史知识图谱，为所述偏好计算网络的第层传播中第一类三元组的递归定义表示，为所述偏好计算网络的总层数。5.如权利要求4所述的推荐方法，其特征在于，所述空间转换网络的损失函数，表示为：；其中，；其中，；其中，为所述空间转换网络的损失函数，为所述偏好计算网络的任一层传播中的任一第一类三元组，为的头实体，为的关系，为的尾实体，代表sigmoid函数，为与对应的第二类三元组，为的尾实体，为的相似性得分，为的相似性得分，为所述用户历史知识
图谱和所述项目历史知识图谱，为所述偏好计算网络的任一层传播中任一第一类三元组中的关系的变换矩阵，为的嵌入表示，为的嵌入表示，为的嵌入表示。6.如权利要求5所述的推荐方法，其特征在于，所述将第一类三元组的嵌入表示和第三类三元组的嵌入表示输入所述偏好计算网络，获取第一类三元组的嵌入表示中的用户数据和项目数据的注意力表示，包括：基于relu函数和sigmoid函数，获取所述偏好计算网络的任一层传播中第一类三元组的注意力权重，其中，所述注意力权重为头实体对尾实体的权重；通过softmax函数，对所述偏好计算网络的任一层传播中第一类三元组的注意力权重进行归一化处理，获取归一化后的所述偏好计算网络的任一层传播中头实体为用户数据和项目数据的第一类三元组的注意力权重；基于所述归一化后的所述偏好计算网络的任一层传播中头实体为用户数据和项目数据的第一类三元组的注意力权重，获取所述偏好计算网络的任一层传播中头实体为用户数据和项目数据的第一类三元组的注意力表示；将所述偏好计算网络的所有层传播中头实体为用户数据和项目数据的第一类三元组的注意力表示整合成集合。7.如权利要求6所述的推荐方法，其特征在于，所述偏好计算网络的任一层传播中第一类三元组的注意力权重，表示为：；其中，；其中，为所述偏好计算网络的任一层传播中第个第一类三元组的基于的注意力权重，为所述偏好计算网络的任一层传播中第个第一类三元组的头实体在关系空间的嵌入表示，为所述偏好计算网络的任一层传播中第个第一类三元组的关系，代表sigmoid函数，代表relu函数，、、、、和均为所述推荐模型的参数组中的参数；基于所述偏好计算网络的任一层传播中第一类三元组的注意力权重，通过下式获取所述归一化后的所述偏好计算网络的任一层传播中头实体为用户数据和项目数据的第一类三元组的注意力权重：；
其中，为归一化后的所述偏好计算网络的任一层传播中第个第一类三元组的基于的注意力权重，为所述偏好计算网络的任一层传播中第个第三类三元组的基于的注意力权重，为所述偏好计算网络的任一层传播中第个第三类三元组的头实体在关系空间的嵌入表示，为任一第三类三元组，为的头实体，为的关系，为的尾实体，为所述偏好计算网络的任一层传播中第个第三类三元组的关系。8.如权利要求7所述的推荐方法，其特征在于，所述偏好计算网络的任一层传播中头实体为用户数据和项目数据的第一类三元组的注意力表示，表示为：；其中，；其中，为所述偏好计算网络的第层传播中头实体为用户数据或项目数据的第一类三元组的注意力表示，为所述偏好计算网络的第层传播中头实体为用户数据或项目数据的第一类三元组的总个数，为所述偏好计算网络的第层传播中任一第一类三元组的嵌入表示，为所述偏好计算网络的任一层传播中第个头实体为用户数据或第个头实体为项目数据的第一类三元组的注意力表示，为所述偏好计算网络的任一层传播中第个第一类三元组的注意力表示，为所述偏好计算网络的任一层传播中第个第一类三元组的尾实体在关系空间的嵌入表示；将所述偏好计算网络的所有层传播中头实体为用户数据和项目数据的第一类三元组的注意力表示，通过下式整合成集合：；其中，；其中，为头实体为用户数据的第一类三元组的注意力表示集合，为所述偏好计算
网络的第层中头实体为用户数据的第一类三元组的注意力表示，为所述偏好计算网络的第层中头实体为用户数据的第一类三元组的注意力表示，为所述偏好计算网络的第层中头实体为用户数据的第一类三元组的注意力表示，为头实体为项目数据的第一类三元组的注意力表示集合，为所有头实体为项目数据的第一类三元组的初始注意力表示，为所述偏好计算网络的第层中头实体为项目数据的第一类三元组的注意力表示，为所述偏好计算网络的第层中头实体为项目数据的第一类三元组的注意力表示，为所述偏好计算网络的第层中头实体为项目数据的第一类三元组的注意力表示，为所述项目历史知识图谱中的项目数据编码集合，代表头实体为项目数据，代表头实体为用户数据。9.如权利要求8所述的推荐方法，其特征在于，通过下式对用户数据和项目数据的注意力表示进行逐层聚合：；其中，为所述逐层聚合后的用户数据或项目数据的注意力表示，代表头实体为用户数据或头实体为项目数据，为所述偏好计算网络的第层传播中第个头实体为用户数据或第个头实体为项目数据的第一类三元组的注意力表示，为所述偏好计算网络的第层传播中第个头实体为用户数据或第个头实体为项目数据的第一类三元组的注意力表示，为所述偏好计算网络的第层传播中第个头实体为用户数据或第个头实体为项目数据的第一类三元组的注意力表示，‖为拼接操作，和均为所述推荐模型的参数组中的参数。10.如权利要求9所述的推荐方法，其特征在于，通过下式获取每一用户数据对每一项目数据的偏好得分预测值：；其中，为任一用户数据对任一项目数据的偏好得分预测值，为转置后的所述任一用户数据的模型表示，为所述任一项目数据的模型表示，所述任一用户数据的模型表示基于逐层聚合后的用户数据的注意力表示获取，所述任一项目数据的模型表示基于逐层聚合后的项目数据的注意力表示获取。
11.如权利要求10所述的推荐方法，其特征在于，所述偏好计算网络的损失函数，表示为：；其中，为所述偏好计算网络的损失函数，代表头实体为项目数据，代表头实体为用户数据，为第一类三元组，表示对求交叉熵损失，为所述任一用户数据对所述任一项目数据的偏好得分真实值，为所述任一用户数据对所述任一项目数据的偏好得分预测值，为第三类三元组。12.如权利要求11所述的推荐方法，其特征在于，所述推荐模型的损失函数，表示为：；其中，；其中，为所述推荐模型的损失函数，为所述空间转换网络的损失函数，为所述偏好计算网络的损失函数，为可调参数，为所述推荐模型的参数组，为第一类三元组的头实体和尾实体的嵌入表示集合，为第一类三元组的关系的嵌入表示集合，均为中的参数。13.如权利要求1所述的推荐方法，其特征在于，所述基于所述待推荐数据中各用户数据对各项目数据的偏好得分预测值，为每一用户数据获取至少一个项目数据作为推荐项目数据，包括：将所述待推荐数据中的任一用户数据对各项目数据的偏好得分预测值按照大小降序排列；获取与排序在第一位至第n位的偏好得分预测值对应的项目数据作为推荐项目数据，或者，获取与大于预设阈值的偏好得分预测值对应的项目数据作为推荐项目数据，其中，n为大于等于1的预设整数。14.一种推荐装置，其特征在于，包括：数据获取单元，被配置为：获取待推荐数据，其中，所述待推荐数据包括多个用户数据、多个项目数据、基于多个用户数据构建的用户知识图谱和基于多个项目数据构建的项目知识图谱；模型预测单元，被配置为：将所述待推荐数据输入训练好的推荐模型，得到所述待推荐数据中各用户数据对各项目数据的偏好得分预测值；项目推荐单元，被配置为：基于所述待推荐数据中各用户数据对各项目数据的偏好得分预测值，为每一用户数据获取至少一个项目数据作为推荐项目数据。15.一种电子设备，其特征在于，包括：
至少一个处理器；至少一个存储计算机可执行指令的存储器，其中，所述计算机可执行指令在被所述至少一个处理器运行时，促使所述至少一个处理器执行如权利要求1到13中的任一权利要求所述的推荐方法。16.一种存储指令的计算机可读存储介质，其特征在于，当所述指令被至少一个处理器运行时，促使所述至少一个处理器执行如权利要求1到13中的任一权利要求所述的推荐方法。

技术总结
本公开关于一种推荐方法和装置，所述推荐方法包括：获取待推荐数据，其中，所述待推荐数据包括多个用户数据、多个项目数据、基于多个用户数据构建的用户知识图谱和基于多个项目数据构建的项目知识图谱；将所述待推荐数据输入训练好的推荐模型，得到所述待推荐数据中各用户数据对各项目数据的偏好得分预测值；基于所述待推荐数据中各用户数据对各项目数据的偏好得分预测值，为每一用户数据获取至少一个项目数据作为推荐项目数据。根据本公开的推荐方法和装置，在推荐模型中采用TransR模型作为空间转换网络，对以三元组的形式表示的正确知识进行了有效表示，实现了协同信息与知识传播更高效的融合方式。更高效的融合方式。更高效的融合方式。


技术研发人员：王潇茵 师博雅 杜红艳 张家华 郑俊康
受保护的技术使用者：航天宏康智能科技（北京）有限公司
技术研发日：2021.09.22
技术公布日：2021/10/28