偏好物品推荐列表的生成方法和装置、非易失性存储介质与流程

1.本技术涉及人工智能领域，具体而言，涉及一种偏好物品推荐列表的生成方法和装置、非易失性存储介质。


背景技术：

2.互联网时代，用户可以享受电子平台上提供的各种服务，然而，随着电子平台的用户数量不断增加，信息过载的问题变得越来越严重，信息过载导致用户无法有效地搜索他们想要的内容。推荐系统(recommender system，rs)是解决信息过载的有力工具，它已经与我们的生活息息相关，在电子商务、影音视频、新闻资讯等领域均有应用。推荐系统根据用户的信息需求、兴趣爱好等帮助用户进行信息过滤，将用户感兴趣的信息、产品等推荐给用户，随着技术的快速发展个性化推荐系统已经成功应用于各个领域，并且还在不断完善。
3.协同过滤作为一种成功的推荐系统的方法，可以预测用户对某物品的评分，并根据用户的偏好生成推荐。然而协同过滤在生成推荐时受到流行度偏差(popularity bias)的影响，偏向向用户推荐更受欢迎的物品。流行度偏差会导致长尾效应(long tail phenomenon)，使受欢迎程度在前20％的物品的累积评级比剩下80％的长尾物品要高得多；且在对具有长尾效应的数据进行训练后，模型会继承这种偏差，并通过推荐流行的物品扩大流行度偏差，导致流行的物品越来越流行，小众的物品不被推荐。现有的解决流行度偏差的技术方案包括以下几种：通过重新加权的方法提高对小众物品的发掘性能；通过引入正则化术语纠正流行度偏差；或者通过降低流行物品的评分来降低流行物品的推荐比例；通过上述技术方案虽然能够降低流行度偏差的影响，但是生成的推荐并不符合用户的偏好。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本技术实施例提供了一种偏好物品推荐列表的生成方法和装置、非易失性存储介质，以至少解决由于流行度偏差造成的偏好物品推荐列表不准确的技术问题。
6.根据本技术实施例的一个方面，提供了一种偏好物品推荐列表的生成方法，包括：创建流行度节点，并将流行度节点嵌入第一知识图谱，生成第二知识图谱，其中，流行度节点用于表示按照物品的流行程度对物品进行的分组；根据目标对象对物品的偏好程度确定目标对象对应的偏好关系，并将偏好关系嵌入第二知识图谱，生成异构图，其中，异构图表示目标对象与偏好关系和物品的流行程度之间的关系；根据异构图创建异构图转换模型；根据异构图转换模型对异构图进行转换，生成转换结果，并依据转换结果确定目标对象的偏好物品推荐列表。
7.可选地，创建流行度节点，并将流行度节点嵌入第一知识图谱，生成第二知识图谱，包括：根据物品的受欢迎程度将物品划分为第一数量的分组；将每组物品作为流行度节点嵌入第一知识图谱，生成第二知识图谱，其中，流行度节点的数量为第一数量；第一知识图谱包括以下至少之一：目标对象、物品以及目标对象和物品之间的第一关系；第二知识图
谱包括以下至少之一：目标对象、物品、目标对象与物品间的第一关系，以及物品的流行程度。
8.可选地，将偏好关系嵌入第二知识图谱，生成异构图，包括：将偏好关系的数量设置为第一数量；将第二知识图谱中的第一关系替换为偏好关系；建立第二知识图谱中的第一数量的流行度节点与第一数量的偏好关系之间的对应关系。
9.可选地，将偏好关系嵌入第二知识图谱，生成异构图，还包括：将流行度节点作为异构图的节点；将流行度节点相连作为异构图的边；根据异构图的节点和异构图的边生成异构图。
10.可选地，根据异构图转换模型对异构图进行转换，生成转换结果，包括：确定异构图的节点的第一投影；根据第一投影确定异构图的节点经过异构图的边的第一信息和异构图的互注意力；根据第一信息和异构图的互注意力生成转换结果。
11.可选地，依据转换结果确定目标对象的偏好物品推荐列表，包括；确定目标对象的交互数据中流行物品的比例；根据交互数据中流行物品的比例计算第一权重，其中，第一权重表示物品的流行程度对目标对象的偏好物品推荐列表的影响程度；根据第一权重计算目标对象、物品和流行程度之间的关系，得到计算结果；根据计算结果确定目标对象的偏好物品推荐列表。
12.可选地，根据异构图转换模型对异构图进行转换，并依据转换结果确定目标对象的偏好物品的推荐列表之前还包括：通过预设算法对异构图转换模型进行训练。
13.根据本技术实施例的另一方面，还提供了一种偏好物品的推荐列表的生成装置，包括：第一创建模块，用于创建流行度节点，并将流行度节点嵌入第一知识图谱，生成第二知识图谱，其中，流行度节点用于表示按照物品的流行程度对物品进行的分组；嵌入模块，用于根据目标对象对物品的偏好程度确定目标对象对应的偏好关系，并将偏好关系嵌入第二知识图谱，生成异构图，其中，异构图表示目标对象与偏好关系和物品的流行程度之间的关系；第二创建模块，用于根据异构图创建异构图转换模型；确定模块，用于根据异构图转换模型对异构图进行转换，生成转换结果，并依据转换结果确定目标对象的偏好物品推荐列表。
14.根据本技术实施例的另一方面还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，在程序运行时控制非易失性存储介质所在设备执行以上的偏好物品推荐列表的生成方法。
15.根据本技术实施例的又一方面还提供了一种处理器，处理器用于运行存储在存储器中的程序，程序运行时执行以上的偏好物品推荐列表的生成方法。
16.在本技术实施例中，采用创建流行度节点，并将流行度节点嵌入第一知识图谱，生成第二知识图谱，其中，流行度节点用于表示按照物品的流行程度对物品进行的分组；根据目标对象对物品的偏好程度确定目标对象对应的偏好关系，并将偏好关系嵌入第二知识图谱，生成异构图，其中，异构图表示目标对象与偏好关系和物品的流行程度之间的关系；根据异构图创建异构图转换模型；根据异构图转换模型对异构图进行转换，生成转换结果，并依据转换结果确定目标对象的偏好物品推荐列表的方式，通过创建包含物品流行程度信息，目标对象的偏好信息的知识图谱；利用知识图谱针对用户对流行物品的偏好程度进行推荐，达到了减少推荐系统中流行度偏差的影响的目的，从而实现了根据目标对象的偏好
生成偏好物品推荐列表，提高非流行物品的曝光率的技术效果，进而解决了由于流行度偏差造成的偏好物品推荐列表不准确技术问题。
附图说明
17.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1是根据相关技术的一种偏好物品推荐列表的生成方法的流程图；
19.图2是根据本技术实施例的一种创建kgepn的示意图；
20.图3是根据本技术实施例的一种hgt的结构示意图；
21.图4是根据本技术实施例的一种根据用户对流行物品的不同偏好度，生成不同的偏好物品推荐列表的示意图；
22.图5是根据本技术实施例的一种偏好物品的推荐列表的生成装置的结构图；
23.图6是根据本技术实施例提供的数据集lastfm和dbbook-2014的属性列表；
24.图7是根据本技术实施例提供的几种算法的实验结果列表。
具体实施方式
25.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
26.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
27.根据本技术实施例，提供了一种生成偏好物品推荐列表的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
28.为解决背景技术中提到的技术问题，本技术实施例提供了一种基于知识图谱(knowledge graph，kg)的消除流行度偏差的框架(adaptive alleviation for popularity bias with knowledge graph，awing)。通过在嵌入流行节点的知识图谱上使用异构图转换来探索用户-物品交互背后的细粒度偏好，如：流行偏好项，为偏好赋予显式的语义，从用户的角度自适应地减轻流行度偏差问题。基于本技术实施例提供的方法在处理推荐系统中的流行度偏差问题时，首次引入了知识图谱，这不仅有利于推荐，还能在有效缓解流行度问题的同时利用用户对流行的偏好，兼顾了用户的使用体验；相较于其他方法，
本方法在合理缓解流行度偏差问题上具有一定的优势。
29.图1是根据本技术实施例的偏好物品推荐列表的生成方法的流程图，如图1所示，该方法包括如下步骤：
30.步骤s102，创建流行度节点，并将流行度节点嵌入第一知识图谱，生成第二知识图谱，其中，流行度节点用于表示按照物品的流行程度对物品进行的分组；
31.通过执行步骤s102，建立一个嵌入了流行节点的知识图谱，流行节点的作用是增强知识图谱中实体关系。
32.步骤s104，根据目标对象对物品的偏好程度确定目标对象对应的偏好关系，并将偏好关系嵌入第二知识图谱，生成异构图，其中，异构图表示目标对象与偏好关系和物品的流行程度之间的关系；
33.通过执行步骤s104，将用户的偏好关系与第二知识图谱整合，生成一个用于表示用户的偏好、物品以及物品的流行程度之间的关系的异构图。
34.步骤s106，根据异构图创建异构图转换模型；
35.根据步骤s106，基于异构图创建异构图转换模型，异构图转换模型基于异构图转换器模型学习用户、物品和细粒度偏好的表示。
36.步骤s108，根据异构图转换模型对异构图进行转换，生成转换结果，并依据转换结果确定目标对象的偏好物品推荐列表；
37.执行步骤s108，通过异构图转换模型对异构图进行转换，转换的结果是一个依据用户对流行物品的偏好生成的每个用户去除流行度偏差后的个性化推荐列表。
38.通过上述步骤，可以实现根据用户对流行物品的偏好度，针对性的减小生成偏好物品推荐列表时流行度偏差的影响，提高偏好物品的准确性，同时提高用户的使用基于推荐系统工作的网络平台时的体验感。
39.根据本技术另一个可选的实施例，创建流行度节点，并将流行度节点嵌入第一知识图谱，生成第二知识图谱，其中，创建流行度节点的方法为：根据物品的受欢迎程度将物品划分为第一数量的分组；每组物品是一个流行度节点，因此，第二知识图谱中共有第一数量个流行度节点；第一知识图谱包含以下信息：目标对象、物品以及目标对象和物品之间的第一关系；第二知识图谱在包含第一知识图谱的信息的基础上，还包含物品的流行程度的信息。
40.图2是根据本实施例创建kgepn的示意图，首先根据物品的受欢迎程度将物品分为k组，再创建k个称为pi，i∈{1,
…
,k}的流行节点来代表这些组；并将物品连接到它们相对应的节点。在创建流行度节点之前，知识图谱中的关系为(实体s，s和t的关系，实体t)。创建流行节点之后，就向知识图谱引入了一个新的关系(i，流行度，pn)，从而成功将流行度信息整合到知识图谱中；将这个整合了流行度信息的知识图谱表示为(knowlege graph embedded with popularity nodes，kgepn)。
41.根据本技术又一个可选的实施例，将偏好关系嵌入第二知识图谱，生成异构图，还包括：将流行度节点作为异构图的节点；将流行度节点相连作为异构图的边；根据异构图的节点和异构图的边生成异构图。
42.将偏好关系嵌入第二知识图谱，生成异构图，通过以下方法实现：将偏好关系的数量设置为第一数量；将第二知识图谱中的第一关系替换为偏好关系；建立第二知识图谱中
的第一数量的流行度节点与第一数量的偏好关系之间的对应关系。采取将偏好关系的数量设置为第一数量；将第二知识图谱中的第一关系替换为偏好关系；建立第二知识图谱中的第一数量的流行度节点与第一数量的偏好关系之间的对应关系的方式，将偏好关系嵌入第二知识图谱。
43.根据本技术的另一个可选的实施例，将偏好关系嵌入第二知识图谱之前，需要以偏好的粒度对用户-物品关系建模；具体的建模方法包括：捕捉影响用户行为的多偏好直觉知识；由于偏好直觉知识能够反映用户所有行为的共性，因此，可以将此偏好直觉知识作为用户选择物品的原因，并基于这种偏好直觉知识以偏好的粒度对用户-物品关系进行建模。其中，偏好的粒度反映了捕捉到的偏好直觉知识的数量，捕捉的偏好直觉知识的数量越多，偏好的粒度就越大。把p作为所有用户共享的偏好集，我们可以将统一的用户-物品关系切分到|p|偏好中，并将每个(u，interact_with，i)三元组分解为{(u，p，i)|p∈p}形式，创建一个偏好图(preference graph)。由于偏好表达为隐向量，对于更深入的理解是模糊的，我们将偏好的数量设置为kgepn中的关系数量，并将kgepn中的关系信息转换为偏好。具体来说，我们利用欧几里德范数来对齐kgepn中的偏好嵌入和关系嵌入。
44.根据本技术又一个可选的实施例，将偏好关系嵌入第二知识图谱，生成异构图，其中，生成异构图的方法为：将流行度节点作为异构图的节点；将流行度节点相连作为异构图的边；根据异构图的节点和异构图的边生成异构图。
45.在本可选的实施例中，把kgepn和pg组合成一个新的异构图(heterogeneous graph，hg)，具体方法为：将kgepn中的节点作为hg的节点，将任意两个节点相连作为hg的边。
46.根据本技术一些可选的实施例，根据异构图转换模型对异构图进行转换，通过以下方法实现：确定异构图的节点的第一投影；根据第一投影确定异构图的节点经过异构图的边的第一信息和异构图的互注意力；根据第一信息和异构图的互注意力生成转换结果。
47.在hg(即异构图)的基础上开发了异构图转换器(heterogeneous graph transformer,，hgt)。图3是hgt的结构示意图。异构图转换由消息计算和消息聚合共同完成。消息计算部分结合了消息矩阵以缓解不同类型节点和边的分布差异；给定一个源节点s和一个边e，hgt可以通过下列等式计算出节点s经过边e的信息：
[0048][0049]
其中m
τ(s)
是节点类型τ(s)的独特线性投影。
[0050]
消息聚合部分，首先利用hgt计算源节点s和目标节点t之间的异构互注意力，以控制s对t的影响。hgt对每种类型的节点使用特定的线性投影q
τ(t)
或k
τ(s)
,并对每种边缘类型(e)使用不同的基于边的矩阵来对分布进行差异最大化建模。用n(t)表示节点t的一跳邻居节点，进而算出异构图的互注意力attention(s，e，t)：
[0051][0052]
hgt再用注意力向量作为权重来平均来自源节点的对应消息，并对输出的转换结果进行更新：
[0053][0054]
根据本技术一个可选的实施例，依据转换结果确定目标对象的偏好物品推荐列表，包括以下几个步骤：确定目标对象的交互数据中流行物品的比例；根据交互数据中流行物品的比例计算第一权重，其中，第一权重表示物品的流行程度对目标对象的偏好物品推荐列表的影响程度；根据第一权重计算目标对象、物品和流行程度之间的关系，得到计算结果，并根据计算结果确定目标对象的偏好物品推荐列表。
[0055]
利用每种边类型对应的边的独立矩阵，可以更精细地量化用户的偏好。图4是根据用户对流行物品的不同偏好度，生成不同的偏好物品推荐列表的示意图，如图4，为给定用户u和物品i的最终表示，对于用户u的偏好，计算u和i之间的相应分数，来判断u接受i的可能性。在这个计算中，设计了一个权重w来控制流行度对推荐结果的影响，根据用户u的个人资料中流行物品的比例，针对性的对u移除一定比例的流行物品推荐。具体来说，通过等式：
[0056][0057]
来抑制流行物品的推荐，其中
[0058]
w＝1-rp(u)
[0059]
其中，rp(u)为用户u的交互数据中热门物品的比例，如果用户对热门物品非常感兴趣，将很少删除偏好推荐列表中该用户的热门项偏好，从而保证用户的体验，反之，如果用户对热门物品不感兴趣，将较多的删除偏好推荐列表中的热门物品，根据用户对流行物品的不同偏好度，生成不同的偏好物品推荐列表。
[0060]
根据本技术一个可选的实施例，根据异构图转换模型对异构图进行转换，并依据转换结果确定目标对象的偏好物品的推荐列表之前还包括：通过预设算法对异构图转换模型进行训练。
[0061]
在本实施例中，hgt(即异构图转换器)基于异构图转换器模型学习用户、物品和细粒度偏好的表示；旨在聚合来自目标节点t的邻居的信息。将hgt的深度表示l。选择成对bpr损失来训练hgt，通过结合对齐损失和bpr损失，通过最小化学习模型参数，其中θ代表模型参数集，再利用α和λ分别约束对齐损失和l2范数。
[0062]
图5是根据本技术实施例提供的一种偏好物品的推荐列表的生成装置的结构图，如图5，该装置包括：
[0063]
第一创建模块50，用于创建流行度节点，并将流行度节点嵌入第一知识图谱，生成第二知识图谱，其中，流行度节点用于表示按照物品的流行程度对物品进行的分组。
[0064]
嵌入模块52，用于根据目标对象对物品的偏好程度确定目标对象对应的偏好关系，并将偏好关系嵌入第二知识图谱，生成异构图，其中，异构图表示目标对象与偏好关系和物品的流行程度之间的关系。
[0065]
第二创建模块54，用于根据异构图创建异构图转换模型。
[0066]
确定模块56，用于根据异构图转换模型对异构图进行转换，生成转换结果，并依据转换结果确定目标对象的偏好物品推荐列表。
[0067]
需要说明的是，图5所示实施例的优选实施方式可以参见图1所示实施例的相关描述，此处不再赘述。
[0068]
根据本技术实施例提供了一种具体的实施方法，具体实施时，使用公开数据集lastfm和dbbook-2014，图6为数据集lastfm和dbbook-2014的属性列表；为了确保数据集的质量使用5核设置，即保留至少5个交互的用户和物品，为每个数据集构造物品知识；随机选择与每个用户相关的80％的物品来组成训练集，并使用所有剩余的20％作为测试集，对本技术提供的一种可选的方法进行测试，并与推荐算法：贝叶斯个性化矩阵分解(bayesian personalized ranking matrix factorization，bprmf)，基于嵌入的模型(light graph convolution network，lightgcn)，基于翻译的用户偏好模型(knowledge-enhanced translation-based user preference，ktup)，ips-cn以及嵌入式安全控制模块(embedded secure access module，esam)做对比；图7为几种算法的实验结果。图7中的awing-aps是awing的变体，它在推荐时移除了一定比例的流行物品。由实验结果可知，bprmf模型在两个数据集上表现最差，lightgcn的表现相对bprmf较好，但其长尾物品即非流行物品的平均占比(the average percentage of tail items，apt)值也很低，说明在lightgcn的推荐系统中普遍存在流行偏差；ktup的性能在所有指标上都优于lightgcn和bprmf模型，这表明引入知识图谱不仅有利于推荐，还有助于缓解流行度偏差；与上述三种模型相比，ips-cn和esam在apt上有较大的提高，但并没有保持流行与非流行物品的比例；根据本技术实施例的方法awing在召回率(recall)和归一化折损累计增益(normalize discounted cumulative gain，ndcg)方面优于两个数据集上的所有比较方法，这表明识别细粒度偏好有助于推荐；awing-aps在用户流行度偏好一致性(the change in the group average popularity，δgap)、总体多样性(aggregate diversity，ad)和尾部项目的平均百分比(average percentage of tailitems，apt)中表现最好，这表示移除一定比例的流行物品推荐对缓解流行度偏差的意义，同时，该方法保持了流行和非流行物品的相似比例，保证了良好的用户体验。
[0069]
根据本技术实施例的另一方面还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，在程序运行时控制非易失性存储介质所在设备执行以上的偏好物品推荐列表的生成方法。
[0070]
上述非易失性存储介质用于存储执行以下功能的程序：创建流行度节点，并将流行度节点嵌入第一知识图谱，生成第二知识图谱，其中，流行度节点用于表示按照物品的流行程度对物品进行的分组；根据目标对象对物品的偏好程度确定目标对象对应的偏好关系，并将偏好关系嵌入第二知识图谱，生成异构图，其中，异构图表示目标对象与偏好关系和物品的流行程度之间的关系；根据异构图创建异构图转换模型；根据异构图转换模型对异构图进行转换，生成转换结果，并依据转换结果确定目标对象的偏好物品推荐列表。
[0071]
根据本技术实施例的又一方面还提供了一种处理器，处理器用于运行存储在存储器中的程序，程序运行时执行以上的偏好物品推荐列表的生成方法。
[0072]
上述处理器用于运行执行以下功能的程序：创建流行度节点，并将流行度节点嵌入第一知识图谱，生成第二知识图谱，其中，流行度节点用于表示按照物品的流行程度对物品进行的分组；根据目标对象对物品的偏好程度确定目标对象对应的偏好关系，并将偏好关系嵌入第二知识图谱，生成异构图，其中，异构图表示目标对象与偏好关系和物品的流行程度之间的关系；根据异构图创建异构图转换模型；根据异构图转换模型对异构图进行转换，生成转换结果，并依据转换结果确定目标对象的偏好物品推荐列表。
[0073]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0074]
在本技术的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0075]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0076]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0077]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0078]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0079]
以上所述仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。