基于知识图谱融合的解耦推荐方法、系统、终端及介质与流程

1.本技术涉及特征解耦融合技术领域，特别是涉及基于知识图谱融合的解耦推荐方法、系统、终端及介质。


背景技术：

2.推荐系统已广泛应用于web应用程序中，以克服信息过载并满足用户的个人兴趣。推荐系统中最成功的技术之一是协作过滤(collaborative filtering,cf)，它假定可以从历史交互物品(基于物品的cf)或类似用户(基于用户的cf)中汇总用户偏好。训练基于模型的cf方法时，重点在于构建物品和用户表征。之后，可以通过用户和物品表征之间的交互作用(例如，内积或神经网络)获得预测得分。在现实世界中，用户做出决定的动机是复杂而隐晦的。它们可以受外部属性的影响。例如，用户喜欢观看科幻类电影因为他是这类电影的爱好者。他们还可以从协作信号(协同模式)中隐含的因素中反映出来。为了更好地捕获用户的偏爱，学习到的表示应同时反映显式和隐式因素。
3.基于纯用户-物品交互的常规cf方法只能对隐式因素进行建模。协同互动模式从隐含因素中揭示出来的信息是粗粒度的，因此无法根据“类似的用户也购买了此物品”之类的解释为用户提供建议。最近的研究工作试图在细粒度的层次上对隐含因素进行建模。但是，仍然很难为它们找到具体的语义，因此难以提供令人信服和可解释的建议。将诸如用户配置文件和项目描述之类的辅助信息作为显式因素纳入推荐系统的训练中变得越来越普遍。知识图谱(kg)包含丰富的语义和有意义的事实关系，为在cf中建模显式因子提供了自然的解决方案。
4.目前已经有大量的研究利用kg进行推荐，这些工作可以分为基于特征嵌入的方法和基于路径的方法。大多数基于特征嵌入的方法都将kg域中的任务(例如关系完成)引入作为辅助任务，以指导表示学习；但是，它们不是端到端的方式，并且kg域任务是否符合推荐的性质仍需要调查。基于路径的方法从kg中提取路径或元路径；但是，由于物品(用户)数量大，在实际使用中无法扩展。此外，这些方法大多数都没有考虑细粒度的隐式因素，这些因素仍可能构成用户行为背后的主要动机。实际上，显性因素和隐性因素相互纠缠在一起，共同影响用户的决策。考虑到现有方法的局限性，我们认为至关重要的是要开发一种模型，该模型可以以通用和端到端的方式捕获用户行为背后的细粒度隐式和显式因素。


技术实现要素：

5.鉴于以上所述现有技术的缺点，本技术的目的在于提供基于知识图谱融合的解耦推荐方法、系统、终端及介质，用于解决如何以通用和端到端的方式捕获用户行为背后的细粒度隐式和显式因素的问题。
6.为实现上述目的及其他相关目的，本技术的第一方面提供一种基于知识图谱融合的解耦推荐方法，包括：对用户解耦多份隐式特征，并对每个交互物品解耦多份隐式特征；计算每一份隐式特征之间的注意力权重，以得到所述用户对于一个交互物品的表征；计算
所述用户对所有交互物品的注意力权重，并根据知识图谱的连接关系聚合表征，以获取用户表征向量。
7.于本技术的第一方面的一些实施例中，分解隐式特征的方式包括：为初始特征嵌入设定对应的权重矩阵和偏置，并利用非线性激活函数计算各份隐式特征。
8.于本技术的第一方面的一些实施例中，所述计算每一份隐式特征之间的注意力权重，以得到所述用户对于一个交互物品的表征，包括：使用多层感知神经网络模型计算初始的注意力权重；使用逻辑回归模型对所述初始的注意力权重进行归一化处理，以获得所述用户对于一个交互物品的表征的注意力权重。
9.于本技术的第一方面的一些实施例中，所述方法还包括对所述用户表征向量进行分歧正则化处理。
10.于本技术的第一方面的一些实施例中，所述方法还包括通过知识图谱嵌入模型构建交互物品显式表征。
11.为实现上述目的及其他相关目的，本技术的第二方面提供一种基于知识图谱融合的解耦推荐系统，包括：特征解耦模块，用于对用户解耦多份隐式特征，并对每个交互物品解耦多份隐式特征；第一表征模块，用于计算每一份隐式特征之间的注意力权重，以得到所述用户对于一个交互物品的表征；第二表征模块，用于计算所述用户对所有交互物品的注意力权重，并根据知识图谱的连接关系聚合表征，以获取用户表征向量。
12.于本技术的第二方面的一些实施例中，所述系统还包括正则化模块，用于对所述用户表征向量进行分歧正则化处理。
13.于本技术的第二方面的一些实施例中，所述系统还包括显式特征模块，用于通过知识图谱嵌入模型构建交互物品显式表征。
14.为实现上述目的及其他相关目的，本技术的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于知识图谱融合的解耦推荐方法。
15.为实现上述目的及其他相关目的，本技术的第四方面提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述基于知识图谱融合的解耦推荐方法。
16.如上所述，本技术的基于知识图谱融合的解耦推荐方法、系统、终端及介质，具有以下有益效果：本发明开发一种可以以通用和端到端的方式捕获用户行为背后的细粒度隐式和显式因素，无缝地将用户-物品交互图及kg统一起来，以构建协作关系感知。
附图说明
17.图1a显示为现有技术中基于知识图谱融合的解耦推荐算法的结构示意图。
18.图1b显示为本技术一实施例中基于知识图谱融合的解耦推荐算法的结构示意图。
19.图2显式为本技术一实施例中基于知识图谱融合的解耦推荐方法的流程示意图。
20.图3显式为本技术一实施例中基于知识图谱融合的解耦推荐方法的流程示意图。
21.图4显式为本技术一实施例中基于知识图谱融合的解耦推荐系统的结构示意图。
22.图5显示为本技术一实施例中电子终端的结构示意图。
具体实施方式
23.以下通过特定的具体实例说明本技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本技术的其他优点与功效。本技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
24.需要说明的是，在下述描述中，参考附图，附图描述了本技术的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本技术的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本技术的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本技术。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
25.在本技术中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
26.再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。应当进一步理解，此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
27.本发明所提出的基于知识图谱融合的解耦推荐算法由两个主要部分组成：1)隐式关系建模，首先分解用户和项目嵌入分成多个细粒度的因子级表示形式，然后采用因子级注意和注意关系聚合对交互背后的细粒度隐式因子进行建模；2)显式关系建模，采用特定于用户的关系聚合器，以对细粒度的显式因子进行建模。
28.如图1a展示的是现有技术中基于知识图谱融合的解耦推荐算法的结构示意图。解耦推荐算法共包括三层结构，从上到下分别是属性t、物品v、用户u；属性t具体对应有属性t1、属性t2、属性t3；物品v对应有物品v1、物品v2、物品v3；用户u具体对应有用户u1、用户u2、用户u3、用户u4。r0表示相互作用，r1,r2,r3表示显式关系。物品的显式评分和用户的隐式偏好纠缠在一起，例如用户u1喜欢物品v1因为属性t1，但解耦出的颗粒度仍不够。
29.如图1b展示的是本发明中基于知识图谱融合的解耦推荐算法的结构示意图。解耦推荐算法共包括三层结构，从上到下分别是属性t、物品v、用户u；属性t具体对应有属性t1、
属性t2、属性t3；物品v对应有物品v1、物品v2、物品v3；用户u具体对应有用户u1、用户u2、用户u3、用户u4。本发明中的解耦相较于图1a而言，具有更细的颗粒度，例如：图1a中只能解析出用户u1喜欢物品v1因为属性t1，而本发明中能够解耦出用户u1和u3因为偏好k1的因素都喜欢物品v1。其中，k1,k2,k3,k4是r0背后隐式关系。
30.有鉴于此，本发明提出一种基于知识图谱融合的解耦推荐方案，开发一种可以以通用和端到端的方式捕获用户行为背后的细粒度隐式和显式因素，无缝地将用户-物品交互图及kg统一起来，以构建协作关系感知。为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
31.如图2所示，展示了本发明一实施例中基于知识图谱融合的解耦推荐方法的流程示意图。需说明的是，本实施例中基于知识图谱融合的解耦推荐方法可应用于控制器，例如arm(advanced risc machines)控制器、fpga(field programmable gate array)控制器、soc(system on chip)控制器、dsp(digital signal processing)控制器、或者mcu(micorcontroller unit)控制器等；也可应用于计算机设备，例如台式电脑、笔记本电脑、平板电脑、智能手机、智能手环、智能手表、智能头盔、智能电视、个人数字助理(personal digital assistant，简称pda)等个人电脑；还可应用于服务器，所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上，也可以由分布的或集中的服务器集群构成。
32.步骤s21：对用户解耦多份隐式特征，并对每个交互物品解耦多份隐式特征。
33.给定用户u，其与交互物品之间的交互集合为可以得到它们的初始特征嵌入假设有k个解耦的隐式关系，则可得到该用户的第k个细粒度表征并将它投影到关系空间中：
[0034][0035]
其中，σ(
·
)表示非线性激活函数，表示权重矩阵，bk表示偏置。
[0036]
相应地，对交互物品也同样作k个细粒度的解耦表征学习：
[0037][0038]
其中，σ(
·
)表示非线性激活函数，表示权重矩阵，bk表示偏置。
[0039]
步骤s22：计算每一份隐式特征之间的注意力权重，以得到所述用户对于一个交互物品的表征。
[0040]
具体而言，通过注意力计算得到每个因子的注意力权重，其过程如下：
[0041]
首先，使用多层感知机计算注意力权重，多层感知机mlp(multilayer perception)是一种前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上，含有至少一个隐藏层的由全连接层组成的神经网络，且每个隐藏层的输出通过激活函数进行变换。权重计算方式如下：
[0042]
[0043]
其次，使用softmax归一化处理得到最终的注意力权重如下：
[0044][0045]
其中，表示用户u的第k个细粒度表征zu,k与物品v1的第k个细粒度表征zv1,k之间的注意力权重值，用于表示两者之间的关联程度，注意力权重值越大则两者之间的关联程度就越高。
[0046]
需说明的是，神经网络中的注意力机制(attention mechanism)是在计算能力有限的情况下，将计算资源分配给更重要的任务，同时解决信息超载问题的一种资源分配方案。在神经网络学习中，一般而言模型的参数越多则模型的表达能力越强，模型所存储的信息量也越大，但这会带来信息过载的问题。那么通过引入注意力机制，在众多的输入信息中聚焦于对当前任务更为关键的信息，降低对其他信息的关注度，甚至过滤掉无关信息，就可以解决信息过载问题，并提高任务处理的效率和准确性。
[0047]
步骤s23：计算所述用户对所有交互物品的注意力权重，并根据知识图谱的连接关系聚合表征，以获取用户表征向量。具体来说，根据图的连接关系聚合表征，更新用户表征向量。用户的第k个结构隐式关系可以用下面的公式表示：
[0048][0049]
其中，表示用户u的第k个细粒度表征zu,k与物品v1的第k个细粒度表征zv1,k之间的注意力权重值；zu,k表示用户的第k个细粒度表征；zi,k表示交互物品的第k个细粒度表征。
[0050]
进一步的，还需进行注意力隐式关系聚合。对用户的第k个解耦隐式特征计算对应的权重系数，随后对所有的k个解耦隐式特征做归一化处理。
[0051][0052][0053]
之后得到最后的用户表征向量如下：
[0054][0055]
为便于理解，现结合图3来对基于知识图谱融合的解耦推荐方法做进一步的说明。基于知识图谱融合的解耦推荐方法的计算图以k＝4为例，对于用户u，先分解4份隐式特征(z
u,1
，z
u,2
，z
u,3
，z
u,4
)，每个交互物品也分解成4份隐式特征(如z
v1,1
，z
v1,2
，z
v1,3
，z
v1,4
)；随后进行关联关系聚合，即计算每一份隐式特征之间的注意力权重来得到用户对一个物品的表征(如利用前述公式3和4来计算用户u对物品v1的表征包括)；最后
再计算用户对所有物品的注意力权重(如利用前述公式5来计算用户u对所有物品v1、v2、v3的注意力权重)，以通过聚合的方式得到用户表征。
[0056]
在一些示例中，所述基于知识图谱融合的解耦推荐方法还包括对所述用户表征向量进行分歧正则化处理。具体而言，为了使隐式因素体现彼此差异并包含更多不同的语义信息，本发明在细粒度表征学习时引入分歧正则化。应理解的是，正则化是一种为了减小测试误差的行为，例如在机器学习和深度学习中，正则化可以改善过拟合，降低结构风险，提高模型的泛化能力。在本步骤中，分歧正则化的公式如下所示：
[0057][0058]
其中，u代表用户，v代表交互物品，l
dr_inner
代表正则化计算结果。
[0059]
在一些示例中，所述基于知识图谱融合的解耦推荐方法还包括通过知识图谱嵌入模型构建交互物品显式表征，也即尽管协同信号中隐含了一些因素可以通过dgcn进行建模，而显式因子则可以通过建模显式关系进行捕获。知识图谱嵌入(kge)是一种从有关系的实体中建模物品显式表征的有效方法，其中transe是一种有代表性的方法，类似地，dgcg引入显示关系建模并计算head-tail之间的权重，通过归一化的方式得到对不同tail的权重分布，最终通过聚合的方式得到显示属性。
[0060]
知识图谱嵌入学习知识库中的实体和关系的embedding表示，是语义检索、知识问答、推荐等众多应用的研究基础。知识图谱是由大量的事实三元组成，例如(英国，首都，伦敦)便是真实世界中的知识，可使用(h,r,t)表示，h,t表示头尾实体，r表示关系。然而，真实世界中的知识是无限增长的，但知识图谱不能包含真实世界中的所有知识，因此需要在知识库中进行知识补全(或称为链接预测)；知识补全的原理是将实体和关系进行embedding表示，也即将字或词表示成embedding信息，然后根据实体和关系的embedding信息进行预测，例如利用头实体和关系去预测尾实体，或者利用尾实体和关系去预测头实体。知识图谱嵌入(kge)模型主要包括翻译模型(transe，transh，transr等)、双线性模型(rescal，dismult，complex等)、双曲几何模型(如poincare、mure等)、神经网络模型(如conve，capse等)，此处不再一一赘述。
[0061][0062][0063][0064][0065]
其中，表示尾关系对(tail-relation pair)的重要性值，是在建模显式关系模型时将用户u的特征向量作为context计算得到的。本发明通过采样得到一些尾关系
对(tail-relation pair)的集合，并定义为在对用户u所有的tail和relation重要性值做归一化，得π(u,r,t)。类似的，通过采样得到隐式的关系集合最终得到结合显式和隐式关系的特征e'v(公式13)，其中f(
·
)表示dgcn的图卷积计算层，wagg表示参数矩阵。
[0066]
为便于本领域技术人员理解，现结合下文的具体实施例来做进一步的解释说明：在三个公开数据集上测试了dgcn方法的有效性，这三个数据集分别是movielens-20m数据集，book-crossing数据集和last.fm数据集。需说明的是，这些数据集都是推荐系统常用的数据集，本实施例实际上还可使用其他推荐系统类数据集，例如jester数据集、wikipedia数据集、openstreetmap数据集、python git repositories数据集等，本实施例不作限定。
[0067]
movielens数据集是电影评分的集合，有各种大小；数据集命名为1m，10m和20m，是因为它们包含1,10和20万个评分。在movielens数据集中，用户对自己看过的电影进行评分，分值为1～5。movielens包括两个不同大小的库，适用于不同规模的算法；小规模的库是943个独立用户对1682部电影作的10000次评分的数据；大规模的库是6040个独立用户对3900部电影作的大约100万次评分。
[0068]
book-crossing数据集是由cai-nicolas ziegler根据bookcrossing.com的数据编写的图书评分数据集。它包含90000个用户的270000本书的110万个评分，评分范围从1到10，包括显式和隐式的评分。book-crossings数据集是最不密集的数据集之一，也是具有明确评分的最不密集的数据集。
[0069]
last.fm数据集是提供音乐推荐的数据集，对于数据集中的每个用户，包含他们最受欢迎的艺术家的列表以及播放次数。它还包括可用于构建内容向量的用户应用标签。last.fm的数据聚合aggregated后，有些信息(关于特定的歌曲，或某人正在听音乐的时间)会丢失。然而，它是这些样本中唯一具有用户的社交网络的信息的数据集。
[0070]
三个数据集的统计如下列表1所示：
[0071][0072]
本实施例使用了如下baseline方法进行对比：mf是标准的矩阵分解方法。cke融合了结构，文本和视觉知识增强物品嵌入效果。ripplenet将用户表征建模为大量与用户历史交互的实体。kgcn是基于kg的最新推荐方法。pinsage设计为在物品-物品图上应用graphsage算法。ngcf是基于gcn的最新方法，通过高阶连接细化用户和物品表征。disengcn是基于gcn的解耦表征学习新方法，利用邻域路由学习细粒度边潜在因素。选取recall和ndcg两个指标在top 5,10,20下进行实验比较，结果如下表2和表3所示：
[0073][0074]
在ctr预估的表上，选取auc指标测试的结果如下表所示：
[0075][0076]
通过三个数据集上不同的k值测试，得到当k＝4时表现最好，如下表所示：
[0077][0078]
通过选取用户交互过的物品的隐式隐式特征做聚类以后，可以看到不同的物品会因为不同的第k个隐式因素聚集在一起。
[0079]
如图4所示，展示了本发明一实施例中基于知识图谱融合的解耦推荐系统的结构示意图。本实施例的解耦推荐系统400包括特征解耦模块401、第一表征模块402、第二表征模块403。其中，特征解耦模块401用于对用户解耦多份隐式特征，并对每个交互物品解耦多份隐式特征；第一表征模块402用于计算每一份隐式特征之间的注意力权重，以得到所述用户对于一个交互物品的表征；第二表征模块403用于计算所述用户对所有交互物品的注意力权重，并根据知识图谱的连接关系聚合表征，以获取用户表征向量。
[0080]
在一些示例中，所述解耦推荐系统400还包括正则化模块404，用于对所述用户表征向量进行分歧正则化处理。
[0081]
在一些示例中，所述解耦推荐系统400还包括显式特征模块405，用于通过知识图谱嵌入模型构建交互物品显式表征。
[0082]
应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，特征解耦模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上特征解耦模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0083]
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，简称asic)，或，一个或多个微处理器(digital signal processor，简称dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。
[0084]
如图5所示，展示了本发明一实施例中电子终端的结构示意图。本实例提供的电子终端，包括：处理器51、存储器52、通信器53；存储器52通过系统总线与处理器51和通信器53连接并完成相互间的通信，存储器52用于存储计算机程序，通信器53用于和其他设备进行通信，处理器51用于运行计算机程序，使电子终端执行如上基于知识图谱融合的解耦推荐方法的各个步骤。
[0085]
上述提到的系统总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，简称ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0086]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0087]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、
ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0088]
于本技术提供的实施例中，所述计算机可读写存储介质可以包括只读存储器、随机存取存储器、eeprom、cd-rom或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、u盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(dsl)或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、dsl或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而，应当理解的是，计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质，而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(cd)、激光光盘、光盘、数字多功能光盘(dvd)、软盘和蓝光光盘，其中，磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。
[0089]
综上所述，本技术提供基于知识图谱融合的解耦推荐方法、系统、终端及介质，本发明开发一种可以以通用和端到端的方式捕获用户行为背后的细粒度隐式和显式因素，无缝地将用户-物品交互图及kg统一起来，以构建协作关系感知。所以，本技术有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0090]
上述实施例仅例示性说明本技术的原理及其功效，而非用于限制本技术。任何熟悉此技术的人士皆可在不违背本技术的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本技术所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本技术的权利要求所涵盖。