基于协同过滤和TransH的图书推荐方法、装置及设备

技术领域

本发明涉及图书推荐技术领域，尤其是涉及一种基于协同过滤和TransH的图书推荐方法、装置及设备。

背景技术

目前，相关技术普遍使用的图书推荐系统，均是基于传统的协同过滤算法实现的，这种系统需要大量用户的借阅或者评分数据，忽视了图书之间的联系，容易导致推荐准确率低、过拟合等问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于协同过滤和TransH的图书推荐方法、装置及设备，可以更为合理、准确地为用户提供图书推荐列表，从而较好地辅助用户寻找目标图书。

第一方面，本发明实施例提供了一种基于协同过滤和TransH的图书推荐方法，包括：

获取目标用户对应的图书评分数据；

基于所述图书评分数据确定所述目标用户对应的相似用户，并通过协同过滤算法，根据所述相似用户对应的所述图书评分数据，确定第一图书推荐结果；

基于预先构建的图书语义相似度矩阵，以及所述图书评分数据和/或所述第一图书推荐结果，确定第二图书推荐结果；其中，所述图书语义相似度矩阵是基于目标TransH模型和图书知识图谱构建得到的；

对所述第一图书推荐结果和所述第二图书推荐结果进行融合，得到所述目标用户对应的混合图书推荐结果。

在一种实施方式中，基于所述图书评分数据确定所述目标用户对应的相似用户，并通过协同过滤算法，根据所述相似用户对应的所述图书评分数据，确定第一图书推荐结果的步骤，包括：

基于所述图书评分数据构建用户-图书评分矩阵；

确定所述用户-图书评分矩阵，与其他用户对应的所述用户-图书评分矩阵之间的余弦相似度，以基于所述余弦相似度确定所述目标用户对应的多个相似用户；

根据所述相似用户对应的所述图书评分数据，确定所述相似用户对应的第一感兴趣图书，并通过协同过滤算法确定所述目标用户对所述第一感兴趣图书的感兴趣程度；

按照所述感兴趣程度，从所述第一感兴趣图书中确定第一图书推荐结果。

在一种实施方式中，在基于预先构建的图书语义相似度矩阵，以及所述图书评分数据和/或所述第一图书推荐结果，确定第二图书推荐结果的步骤之前，所述方法还包括：

基于原始图书数据随机生成初始实体-关系向量矩阵；

对所述初始实体-关系向量矩阵进行采样，以对初始TransH模型进行训练和测试，得到目标TransH模型；

通过所述目标TransH模型，更新所述初始实体-关系向量矩阵，以得到满足预设几何条件的目标实体-关系向量矩阵；其中，所述预设几何条件为头实体在超平面上对应的头实体向量、关系在超平面上对应的关系实体向量之间的和，与尾实体在超平面上对应的尾实体向量一致，所述目标实体-关系向量矩阵用于描述任意两个图书之间的关系；

基于所述目标实体-关系向量矩阵确定任意两个图书之间的语义相似度，以构建图书语义相似度矩阵；其中，所述图书语义相似度矩阵用于描述任意两个图书之间的语义相似度。

在一种实施方式中，基于原始图书数据随机生成初始实体-关系向量矩阵的步骤，包括：

对原始图书数据集进行知识抽取处理和标准化处理，得到标准化实体-关系向量矩阵；

对所述标准化实体-关系向量矩阵中的头实体和/或尾实体进行随机替换，得到负例数据集；

对所述负例数据集进行筛选，并基于筛选后的所述负例数据集确定初始实体-关系向量矩阵。

在一种实施方式中，通过所述目标TransH模型，更新所述初始实体-关系向量矩阵的步骤，包括：

将所述初始实体-关系向量矩阵中的头实体和关系输入至所述目标TransH模型，以通过所述目标TransH模型预测尾实体；

利用所述目标TransH模型预测的所述尾实体，替换所述初始实体-关系向量矩阵中的尾实体，以更新所述初始实体-关系向量矩阵。

在一种实施方式中，基于预先构建的图书语义相似度矩阵，以及所述图书评分数据和/或所述第一图书推荐结果，确定第二图书推荐结果的步骤，包括：

基于所述目标用户对应的图书评分数据，确定所述目标用户对应的第二感兴趣图书；

以所述第二感兴趣图书为检索条件，或以所述第一图书推荐结果中包含的第一感兴趣图书为检索条件，或以所述第二感兴趣图书和所述第一图书推荐结果中包含的第一感兴趣图书为检索条件；

基于预先构建的图书语义相似度矩阵，确定所述检索条件关联的语义相似图书；

按照语义相似度从高到低的顺序，从所述语义相似图书中确定第二图书推荐结果。

在一种实施方式中，对所述第一图书推荐结果和所述第二图书推荐结果进行融合，得到所述目标用户对应的混合图书推荐结果的步骤，包括：

根据预先确定的融合因子，对所述第一图书推荐结果和所述第二图书推荐结果进行加权，得到所述目标用户对应的混合图书推荐结果。

第二方面，本发明实施例还提供一种基于协同过滤和TransH的图书推荐装置，包括：

数据获取模块，用于获取目标用户对应的图书评分数据；

第一推荐模块，用于基于所述图书评分数据确定所述目标用户对应的相似用户，并通过协同过滤算法，根据所述相似用户对应的所述图书评分数据，确定第一图书推荐结果；

第二推荐模块，用于基于预先构建的图书语义相似度矩阵，以及所述图书评分数据和/或所述第一图书推荐结果，确定第二图书推荐结果；其中，所述图书语义相似度矩阵是基于目标TransH模型和图书知识图谱构建得到的；

混合推荐模块，用于对所述第一图书推荐结果和所述第二图书推荐结果进行融合，得到所述目标用户对应的混合图书推荐结果。

第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。

第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。

本发明实施例提供的一种基于协同过滤和TransH的图书推荐方法、装置及设备，首先获取目标用户对应的图书评分数据；然后基于图书评分数据确定目标用户对应的相似用户，并通过协同过滤算法，根据相似用户对应的图书评分数据，确定第一图书推荐结果；以及基于预先构建的图书语义相似度矩阵，以及图书评分数据和/或第一图书推荐结果，确定第二图书推荐结果；其中，图书语义相似度矩阵是基于目标TransH模型和图书知识图谱构建得到的；最后对第一图书推荐结果和第二图书推荐结果进行融合，得到目标用户对应的混合图书推荐结果。上述方法采用协同过滤算法与知识图谱Trans-H算法结合实现对图书的推荐，通过对图书构建相应的知识图谱，将图书知识图谱映射到低维向量空间中获取其实体以及关系的向量表示，计算出图书之间的语义相似度，结合协同过滤算法的用户相似度得出图书推荐的混合图书推荐结果，实验结果表明，本发明实施例的推荐结果更加合理和准确，提高了用户寻找目标图书的效率。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于协同过滤和TransH的图书推荐方法的流程示意图；

图2为本发明实施例提供的一种基于协同过滤和TransH的图书推荐方法的整体框架图；

图3为本发明实施例提供的一种图书推荐协同过滤模型的原理示意图；

图4为本发明实施例提供的一种TransH模型图；

图5为本发明实施例提供的一种知识图谱的示意图；

图6为本发明实施例提供的一种推荐准确率的示意图；

图7为本发明实施例提供的另一种推荐准确率的示意图；

图8为本发明实施例提供的一种各融合因子的图书推荐结果的示意图；

图9为本发明实施例提供的一种基于协同过滤和TransH的图书推荐装置的结构示意图；

图10为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

目前，相关技术提供的图书推荐算法存在推荐准确率低、过拟合等问题，基于此，本发明实施提供了一种基于协同过滤和TransH的图书推荐方法、装置及设备，可以更为合理、准确地为用户提供图书推荐列表，从而较好地辅助用户寻找目标图书。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于协同过滤和TransH的图书推荐方法进行详细介绍，参见图1所示的一种基于协同过滤和TransH的图书推荐方法的流程示意图，该方法主要包括以下步骤S102至步骤S108：

步骤S102，获取目标用户对应的图书评分数据。

其中，图书评分数据也即该目标用户对一个或多个图书的评分值，评分值可以体现该目标用户对图书的感兴趣程度。

步骤S104，基于图书评分数据确定目标用户对应的相似用户，并通过协同过滤算法，根据相似用户对应的图书评分数据，确定第一图书推荐结果。

其中，相似用户可以为与目标用户之间的相似度高于预设阈值的用户。在一种实施方式中，可以确定目标用户与其他用户的图书评分数据之间的相似度，并按照相似度从高到低的顺序选择相应的用户作为目标用户对应的相似用户，由于图书评分数据可以体现用户对图书的感兴趣程度，因此可以根据相似用户对应的图书评分数据确定出相似用户对应的第一感兴趣图书，进而通过协同过滤算法确定目标用户对第一感兴趣图书的感兴趣程度，以得到第一图书推荐结果。

步骤S106，基于预先构建的图书语义相似度矩阵，以及图书评分数据和/或第一图书推荐结果，确定第二图书推荐结果。

其中，图书语义相似度矩阵是基于目标TransH模型和图书知识图谱构建得到的，图书语义相似度矩阵用于描述任意两个图书之间的语义相似度。在一种实施方式中，可以根据目标用户对应的图书评分数据确定出目标用户对应的第二感兴趣图书，从图书语义相似度矩阵中确定出第二感兴趣图书和/或第一图书推荐结果包含的第一感兴趣图书对应的相似图书，该相似图书与感兴趣图书之间的语义相似度大于预设阈值，以基于相似图书得到得让图书推荐结果。

步骤S108，对第一图书推荐结果和第二图书推荐结果进行融合，得到目标用户对应的混合图书推荐结果。

可选的，可以通过加权的方式对第一图书推荐结果和第二图书推荐结果进行融合，得到目标用户对应的混合图书推荐结果。

本发明实施例提供的基于协同过滤和TransH的图书推荐方法，采用协同过滤算法与知识图谱Trans-H算法结合实现对图书的推荐，通过对图书构建相应的知识图谱，将图书知识图谱映射到低维向量空间中获取其实体以及关系的向量表示，计算出图书之间的语义相似度，结合协同过滤算法的用户相似度得出图书推荐的混合图书推荐结果，根据混合相似度列表进行预测生出Top-K推荐列表，实验结果表明，本发明实施例的推荐结果更加合理和准确，提高了用户寻找目标图书的效率。

为便于理解，参见图2所示的一种基于协同过滤和TransH的图书推荐方法的整体框架图，首先通过结合图书的协同过滤推荐建模与求解分析、图书的知识图谱推荐建模与求解分析，得到基于知识图谱和协同过滤的图书推荐模型，该图书推荐模型包括协同过滤和TransH这两个分支；针对协同过滤这一分支，包括：根据用户-图书评分矩阵，进行用户相似性计算，得到用户-用户相似矩阵，以使用User-CF算法Top-K推荐；针对TransH这一分支，包括：构建图书知识图谱，分别进行TransH训练得到实体-关系向量矩阵，以及结合实体-关系向量矩阵计算图书的相似性得到语义相似性矩阵，以使用语义邻近Top-K推荐；最后将两种推荐结果(包括第一图书推荐结果和第二图书推荐结果)基于权重因子(也可称之为融合因子)融合，得到最终Top-K推荐列表(也即混合图书推荐结果)。

在图2的基础上，本发明实施例提供了一种基于协同过滤和TransH的图书推荐方法的具体实施方式。

对于前述步骤S104，本发明实施例提供了一种基于图书评分数据确定目标用户对应的相似用户，并通过协同过滤算法，根据相似用户对应的图书评分数据，确定第一图书推荐结果的实施方式，包括如下步骤A1至步骤A4：

步骤A1，基于图书评分数据构建用户-图书评分矩阵。其中，用户-图书评分矩阵的行、列分别为用户、图书，用户-图书评分矩阵的元素用于表征该用户对该图书的评分值。

步骤A2，确定用户-图书评分矩阵，与其他用户对应的用户-图书评分矩阵之间的余弦相似度，以基于余弦相似度确定目标用户对应的多个相似用户。在一种实施方式中，对于目标用户与任一其他用户，可以按照如下公式确定目标用户与该用户各自对应的用户-图书评分矩阵之间的余弦相似度：

其中，W

步骤A3，根据相似用户对应的图书评分数据，确定相似用户对应的第一感兴趣图书，并通过协同过滤算法确定目标用户对第一感兴趣图书的感兴趣程度。参见图3所示的一种图书推荐协同过滤模型的原理示意图，图3示意出了为用户c推荐图书Book-b。

在一种实施方式中，对于任一图书，如果相似用户对其评分值高于预设阈值，则可将该图书作为相似用户对应的第一感兴趣图书。具体的，对于与用户最相似的K个相似用户，分别按照如下公式度量目标用户对K个相似用户的第一感兴趣图书之间的感兴趣程度：

p(μ,i)＝∑

其中S(μ,K)代表与用户μ最相似的前K个相似用户，N(i)表示喜欢图书i的用户集合，W

步骤A4，按照感兴趣程度，从第一感兴趣图书中确定第一图书推荐结果。在一种实施方式中，可以得到用户对这N个第一感兴趣图书的感兴趣程度排序列表，取前k个第一感兴趣图书推荐给目标用户。

进一步的，本发明实施例使用协同过滤算法根据各类属性计算图书之间的相似度并存入数据库中。

在执行前述步骤S106之前，需要预先构建图书语义相似度矩阵。目前，知识图谱的知识通常是由三元组(h,r,t)进行表示，类比词向量表示方法可以用向量表示实体以及关系的分布式表示，具有代表性的模型有TransE、TransH和TransR等一系列模型。其中，TransH模型，是在TransE模型基础上发展出来的。参见图4所示的一种TransH模型图，其针对每一个关系r都映射出一个超平面Wr，在超平面Wr上把关系r映射为关系向量dr，将三元组的头实体h和尾实体t映射到超平面形成实体向量hr和tr，其满足如下几何关系：

Hr+dr＝tr，也即头实体在超平面上对应的头实体向量、关系在超平面上对应的关系实体向量之间的和，与尾实体在超平面上对应的尾实体向量一致，目标实体-关系向量矩阵用于描述任意两个图书之间的关系。在实际应用中，正确的三元组关系应满足这种几何关系，相对的错误三元关系就会极大偏离这种关系。

这有效的解决了TransE模型面对复杂关系时效果不佳的问题。

基于此，可以按照如下步骤B1至步骤B4构建图书语义相似度矩阵：

步骤B1，基于原始图书数据随机生成初始实体-关系向量矩阵。具体参见如下步骤B1-1至步骤B1-2：

步骤B1-1，对原始图书数据集进行知识抽取处理和标准化处理，得到标准化实体-关系向量矩阵。

在实际应用中，对原始图书数据集进行知识抽取，用三元组形式表达，然后将三元组进行知识融合、实体对齐等操作将三元组标准化，得到标准化实体-关系向量矩阵，后续可将数据导入图数据库进行存储或者通过RDF的规范存储格式进行存储，构建一个图书的知识图谱。

示例性的，原始图书数据采用Chinese_book_dataset数据集。本发明实施例对数据集进行合理抽取切割进行实验，含有9999本图书，6407位作者，1965个出版社，127个出版时间，137个图书标签，搭建的知识图谱如图5所示，图5也即一种知识图谱的示意图。

步骤B1-2，对标准化实体-关系向量矩阵中的头实体和/或尾实体进行随机替换，得到负例数据集；对负例数据集进行筛选，并基于筛选后的负例数据集确定初始实体-关系向量矩阵。

在实际应用中，对数据进行处理，进行标准化处理存入数据库，针对TransH模型测试时随机替换头节点或尾节点方法，考虑其随机替换后生成的负例数据集可能包含正确的三元组关系，在生成负例数据集后首先会将替换实体进行筛选，得到初始实体-关系向量矩阵。

步骤B2，对初始实体-关系向量矩阵进行采样，以对初始TransH模型进行训练和测试，得到目标TransH模型。

在实际应用中，可以对初始实体-关系向量矩阵进行采样，以分别生成训练数据集和测试数据集，进而对初始TransH模型进行训练和测试，得到目标TransH模型。其中，测试数据集用于查看TransH模型准确率。

具体实现时，将协同过滤推荐结果和知识图谱模型推荐结果按权重因子进行合并，测试最佳参数保证推荐效果最佳，最终生成Top-K的图书推荐列表。本发明实施例采用之前搭建的TransH模型和准备的数据集进行测试，通过多次设置向量表示维度数，发现维度数设置在400和500左右获取的效果较好，在迭代2000次后，命中前50的准确率有64％，维度数较低时效果明显较差，维度数高于400时准确率没有明显提升，但测试时间明显变长，所以后续直接考虑维度数是400的情况，其推荐准确率如图6所示。在维度数设置在400，迭代次数为2000次的背景下，调整学习率，发现将学习率设置为0.01时，命中前50获取的效果较好，其推荐准确率如下图7所示。

步骤B3，通过目标TransH模型，更新初始实体-关系向量矩阵，以得到满足预设几何条件的目标实体-关系向量矩阵。

在一种实施方式中，可以将初始实体-关系向量矩阵中的头实体和关系输入至目标TransH模型，以通过目标TransH模型预测尾实体，然后利用目标TransH模型预测的尾实体，替换初始实体-关系向量矩阵中的尾实体，以更新初始实体-关系向量矩阵。

其中，通过目标TransH模型预测得到的尾实体，与头实体和关系之间满足上述几何关系。

步骤B4，基于目标实体-关系向量矩阵确定任意两个图书之间的语义相似度，以构建图书语义相似度矩阵。其中，图书语义相似度矩阵用于描述任意两个图书之间的语义相似度，图书语义相似度矩阵的行列均为图书，元素为两个图书之间的语义相似度。

在一种实施方式中，将图书知识图谱的正确三元组尾实体进行合并，存入图书相似表中，方便后续直接为用户推荐相似图书。

在一种实施方式中，搭建TransH模型和计算图书之间的语义相似度，方便后续根据TransH模型推荐结果进行合并抽取生成最后推荐结果。

对于前述步骤S106，本发明实施例提供了一种基于预先构建的图书语义相似度矩阵，以及图书评分数据和/或第一图书推荐结果，确定第二图书推荐结果的实施方式，参见如下步骤C1至步骤C4：

步骤C1，基于目标用户对应的图书评分数据，确定目标用户对应的第二感兴趣图书。

步骤C2，以第二感兴趣图书为检索条件，或以第一图书推荐结果中包含的第一感兴趣图书为检索条件，或以第二感兴趣图书和第一图书推荐结果中包含的第一感兴趣图书为检索条件。

步骤C3，基于预先构建的图书语义相似度矩阵，确定检索条件关联的语义相似图书。

在一种实施方式中，可以确定出第二感兴趣图书对应的图书语义相似度矩阵，进而得到第二感兴趣图书关联的语义相似图书；同理可以得到第一图书推荐结果中包含的第一感兴趣图书关联的语义相似图书；同理可以得到第二感兴趣图书和第一图书推荐结果中包含的第一感兴趣图书关联的语义相似图书。

步骤C4，按照语义相似度从高到低的顺序，从语义相似图书中确定第二图书推荐结果。

对于前述步骤S108，本发明实施例提供了一种对第一图书推荐结果和第二图书推荐结果进行融合，得到目标用户对应的混合图书推荐结果的实施方式，可以根据预先确定的融合因子，对第一图书推荐结果和第二图书推荐结果进行加权，得到目标用户对应的混合图书推荐结果。

具体实现时，通过融合前面基于知识图谱TransH模型获取的推荐结果以及计算图书各标签属性生成的相似图书集生成最终的图书推荐结果，因此，融合因子可以在中选取，以0.1为步长对模型推荐效果进行预测，可以发现随着融合因子逐步升高，其推荐准确率呈先上升后下降的趋势，当融合因子设置为0.6时能获得最佳推荐，准确率为28％，各融合因子的图书推荐结果如图8所示。

综上所述，本发明实施例提供的基于协同过滤和TransH的图书推荐方法，其推荐结果更加合理和准确，提高了用户寻找目标图书的效率。

在前述实施例的基础上，本发明实施例提供了一种基于协同过滤和TransH的图书推荐装置，参见图9所示的一种基于协同过滤和TransH的图书推荐装置的结构示意图，该装置主要包括以下部分：

数据获取模块902，用于获取目标用户对应的图书评分数据；

第一推荐模块904，用于基于图书评分数据确定目标用户对应的相似用户，并通过协同过滤算法，根据相似用户对应的图书评分数据，确定第一图书推荐结果；

第二推荐模块906，用于基于预先构建的图书语义相似度矩阵，以及图书评分数据和/或第一图书推荐结果，确定第二图书推荐结果；其中，图书语义相似度矩阵是基于目标TransH模型和图书知识图谱构建得到的；

混合推荐模块908，用于对第一图书推荐结果和第二图书推荐结果进行融合，得到目标用户对应的混合图书推荐结果。

本发明实施例提供的基于协同过滤和TransH的图书推荐装置，采用协同过滤算法与知识图谱Trans-H算法结合实现对图书的推荐，通过对图书构建相应的知识图谱，将图书知识图谱映射到低维向量空间中获取其实体以及关系的向量表示，计算出图书之间的语义相似度，结合协同过滤算法的用户相似度得出图书推荐的混合图书推荐结果，根据混合相似度列表进行预测生出Top-K推荐列表，实验结果表明，本发明实施例的推荐结果更加合理和准确，提高了用户寻找目标图书的效率。

在一种实施方式中，第一推荐模块904还用于：

基于图书评分数据构建用户-图书评分矩阵；

确定用户-图书评分矩阵，与其他用户对应的用户-图书评分矩阵之间的余弦相似度，以基于余弦相似度确定目标用户对应的多个相似用户；

根据相似用户对应的图书评分数据，确定相似用户对应的第一感兴趣图书，并通过协同过滤算法确定目标用户对第一感兴趣图书的感兴趣程度；

按照感兴趣程度，从第一感兴趣图书中确定第一图书推荐结果。

在一种实施方式中，矩阵构建模块，还用于：

基于原始图书数据随机生成初始实体-关系向量矩阵；

对初始实体-关系向量矩阵进行采样，以对初始TransH模型进行训练和测试，得到目标TransH模型；

通过目标TransH模型，更新初始实体-关系向量矩阵，以得到满足预设几何条件的目标实体-关系向量矩阵；其中，预设几何条件为头实体在超平面上对应的头实体向量、关系在超平面上对应的关系实体向量之间的和，与尾实体在超平面上对应的尾实体向量一致，目标实体-关系向量矩阵用于描述任意两个图书之间的关系；

基于目标实体-关系向量矩阵确定任意两个图书之间的语义相似度，以构建图书语义相似度矩阵；其中，图书语义相似度矩阵用于描述任意两个图书之间的语义相似度。

在一种实施方式中，矩阵构建模块，还用于：

对原始图书数据集进行知识抽取处理和标准化处理，得到标准化实体-关系向量矩阵；

对标准化实体-关系向量矩阵中的头实体和/或尾实体进行随机替换，得到负例数据集；

对负例数据集进行筛选，并基于筛选后的负例数据集确定初始实体-关系向量矩阵。

在一种实施方式中，矩阵构建模块，还用于：

将初始实体-关系向量矩阵中的头实体和关系输入至目标TransH模型，以通过目标TransH模型预测尾实体；

利用目标TransH模型预测的尾实体，替换初始实体-关系向量矩阵中的尾实体，以更新初始实体-关系向量矩阵。

在一种实施方式中，第二推荐模块906还用于：

基于目标用户对应的图书评分数据，确定目标用户对应的第二感兴趣图书；

以第二感兴趣图书为检索条件，或以第一图书推荐结果中包含的第一感兴趣图书为检索条件，或以第二感兴趣图书和第一图书推荐结果中包含的第一感兴趣图书为检索条件；

基于预先构建的图书语义相似度矩阵，确定检索条件关联的语义相似图书；

按照语义相似度从高到低的顺序，从语义相似图书中确定第二图书推荐结果。

在一种实施方式中，混合推荐模块908还用于：

根据预先确定的融合因子，对第一图书推荐结果和第二图书推荐结果进行加权，得到目标用户对应的混合图书推荐结果。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。

图10为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器10，存储器11，总线12和通信接口13，所述处理器10、通信接口13和存储器11通过总线12连接；处理器10用于执行存储器11中存储的可执行模块，例如计算机程序。

其中，存储器11可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口13(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线12可以是ISA总线、PCI总线或EISA总线等。所述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10中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器11用于存储程序，所述处理器10在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器10中，或者由处理器10实现。

处理器10可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器10中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器10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 SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器11，处理器10读取存储器11中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。

所述功能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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的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(可以是个人计算机，服务器，或者网络设备等)执行本发明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、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。