一种基于知识图谱的多任务推荐方法及模型

技术领域

本发明涉及数据处理技术领域，特别涉及一种基于知识图谱的多任务推荐方法及模型。

背景技术

目前在针对用户进行物品推荐时，采用的推荐模型具有较大的局限性。现有的推荐模型在训练阶段，通常是基于各个用户的用户特征进行学习，从而形成不同的用户类别。后续可以针对不同的用户类别，推荐不同的物品。

但是，这种方式输入推荐模型的向量比较单一，不能充分挖掘不同用户之间的联系，从而使得最终的推荐结果不准确。

发明内容

本发明提供一种基于知识图谱的多任务推荐方法及模型，能够提高物品推荐的准确度。

鉴于此，本发明一方面提供一种基于知识图谱的多任务推荐方法，所述方法包括：

获取用户样本集合，并基于所述用户样本集合中的用户特征，建立特征知识图谱；

针对待推荐的目标用户，从所述特征知识图谱中确定与所述目标用户相关联的关联用户，并生成所述目标用户和所述关联用户的交叉特征；

对所述交叉特征进行预测，以生成与所述目标用户相匹配的推荐信息，并将所述推荐信息发送至所述目标用户。

在一个实施方式中，基于所述用户样本集合中的用户特征，建立特征知识图谱包括：

针对所述用户样本集合中的任一用户特征，计算所述用户特征与所述用户样本集合中其它用户特征之间的特征相似度；

针对所述用户样本集合中的用户特征，构建特征节点，并根据各个特征节点之间的特征相似度，建立各个特征节点之间的连接关系，以形成由特征节点构成的特征知识图谱。

在一个实施方式中，从所述特征知识图谱中确定与所述目标用户相关联的关联用户包括：

在所述特征知识图谱中，确定与所述目标用户表征的特征节点存在直接连接关系的第一特征节点；

针对各个所述第一特征节点，若与所述第一特征节点存在特征相似度高于指定阈值的第二特征节点，获取所述第二特征节点；

将所述第一特征节点和所述第二特征节点的集合，作为与所述目标用户相关联的关联用户。

在一个实施方式中，生成所述目标用户和所述关联用户的交叉特征包括：

将所述目标用户的用户特征作为查询条件，并将所述关联用户的用户特征作为特征键，输入交叉注意力模型，以通过所述交叉注意力模型输出对应的特征值，并将所述特征值作为生成的交叉特征。

在一个实施方式中，在生成与所述目标用户相匹配的推荐信息后，所述方法还包括：

确定所述目标用户的用户特征与所述推荐信息表征的物品特征之间的关联度，并基于所述关联度，对预设的推荐预测模型进行校正。

本发明另一方面提供一种基于知识图谱的多任务推荐模型，所述多任务推荐模型包括：

图谱建立单元，用于获取用户样本集合，并基于所述用户样本集合中的用户特征，建立特征知识图谱；

交叉特征生成单元，用于针对待推荐的目标用户，从所述特征知识图谱中确定与所述目标用户相关联的关联用户，并生成所述目标用户和所述关联用户的交叉特征；

推荐单元，用于对所述交叉特征进行预测，以生成与所述目标用户相匹配的推荐信息，并将所述推荐信息发送至所述目标用户。

在一个实施方式中，所述图谱建立单元具体用于，针对所述用户样本集合中的任一用户特征，计算所述用户特征与所述用户样本集合中其它用户特征之间的特征相似度；针对所述用户样本集合中的用户特征，构建特征节点，并根据各个特征节点之间的特征相似度，建立各个特征节点之间的连接关系，以形成由特征节点构成的特征知识图谱。

在一个实施方式中，所述交叉特征生成单元具体用于，在所述特征知识图谱中，确定与所述目标用户表征的特征节点存在直接连接关系的第一特征节点；针对各个所述第一特征节点，若与所述第一特征节点存在特征相似度高于指定阈值的第二特征节点，获取所述第二特征节点；将所述第一特征节点和所述第二特征节点的集合，作为与所述目标用户相关联的关联用户。

本发明提供的技术方案，在推荐模型中增加多种用户特征，使得输入向量更加丰富，改善其它模型数据单一的问题。此外，采用交叉注意力模型提取多种用户特征，充分考虑用户间的交叉特征对推荐性能的影响，使得用户的实体特征与物品特征相互交替学习，补充各自信息，进而提高物品推荐的准确度。

本发明的其它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可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于知识图谱的多任务推荐方法的步骤示意图；

图2为本发明实施例中一种基于知识图谱的多任务推荐模型的功能模块示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

请参阅图1，本申请一个实施方式提供一种基于知识图谱的多任务推荐方法，所述方法包括：

S1：获取用户样本集合，并基于所述用户样本集合中的用户特征，建立特征知识图谱；

S2：针对待推荐的目标用户，从所述特征知识图谱中确定与所述目标用户相关联的关联用户，并生成所述目标用户和所述关联用户的交叉特征；

S3：对所述交叉特征进行预测，以生成与所述目标用户相匹配的推荐信息，并将所述推荐信息发送至所述目标用户。

在一个实施方式中，基于所述用户样本集合中的用户特征，建立特征知识图谱包括：

针对所述用户样本集合中的任一用户特征，计算所述用户特征与所述用户样本集合中其它用户特征之间的特征相似度；

针对所述用户样本集合中的用户特征，构建特征节点，并根据各个特征节点之间的特征相似度，建立各个特征节点之间的连接关系，以形成由特征节点构成的特征知识图谱。

其中，用户特征可以通过特征向量来表示，不同用户特征之间的特征相似度，可以通过计算特征向量之间的欧拉距离来得到。在计算得到用户特征之间的特征相似度后，针对每个用户特征，可以生成对应的特征节点，特征节点之间的连接关系，可以通过特征相似度来确定。特征相似度高于一定阈值的特征节点，便可以通过特征知识图谱中的“边”来连接。这样，具备了特征节点和边，便可以构成对应的特征知识图谱。

在一个实施方式中，从所述特征知识图谱中确定与所述目标用户相关联的关联用户包括：

在所述特征知识图谱中，确定与所述目标用户表征的特征节点存在直接连接关系的第一特征节点；

针对各个所述第一特征节点，若与所述第一特征节点存在特征相似度高于指定阈值的第二特征节点，获取所述第二特征节点；

将所述第一特征节点和所述第二特征节点的集合，作为与所述目标用户相关联的关联用户。

其中，存在直接连接关系可以指通过边连接的特征节点。在筛选出与目标用户的特征节点存在直接连接关系的第一特征节点后，该第一特征节点还可能与其它的特征节点存在直接连接关系。在这种情况下，可以基于特征相似度，对与第一特征节点存在直接连接关系的其它特征节点进行筛选，如果特征相似度高于指定阈值，那么对应的其它特征节点便可以作为第二特征节点。后续，第一特征节点和第二特征节点与目标用户的特征节点都存在较强的关联度，因此可以作为与所述目标用户相关联的关联用户。

在一个实施方式中，生成所述目标用户和所述关联用户的交叉特征包括：

将所述目标用户的用户特征作为查询条件(query)，并将所述关联用户的用户特征作为特征键(key)，输入交叉注意力(Cross-attention)模型，以通过所述交叉注意力模型输出对应的特征值(value)，并将所述特征值作为生成的交叉特征。

在得到交叉特征后，可以采用预设的推荐预测模型，对该交叉特征进行处理，从而预测得到应当推荐给目标用户的物品的推荐信息。

在一个实施方式中，在生成与所述目标用户相匹配的推荐信息后，所述方法还包括：

确定所述目标用户的用户特征与所述推荐信息表征的物品特征之间的关联度，并基于所述关联度，对预设的推荐预测模型进行校正。

具体地，由于推荐预测模型生成的推荐信息可能不是很准确，因此可以进一步地确定该推荐信息表征的物品特征与目标用户的用户特征之间的关联度，该关联度同样可以通过特征向量之间的欧氏距离来表示。如果关联度低于一定的阈值，那么可以生成标准的推荐信息，并在标准的推荐信息的监督下，对预设的推荐预测模型重新进行学习，从而实现对预设的推荐预测模型的校正过程。

请参阅图2，本发明另一方面提供一种基于知识图谱的多任务推荐模型，所述多任务推荐模型包括：

图谱建立单元，用于获取用户样本集合，并基于所述用户样本集合中的用户特征，建立特征知识图谱；

交叉特征生成单元，用于针对待推荐的目标用户，从所述特征知识图谱中确定与所述目标用户相关联的关联用户，并生成所述目标用户和所述关联用户的交叉特征；

推荐单元，用于对所述交叉特征进行预测，以生成与所述目标用户相匹配的推荐信息，并将所述推荐信息发送至所述目标用户。

在一个实施方式中，所述图谱建立单元具体用于，针对所述用户样本集合中的任一用户特征，计算所述用户特征与所述用户样本集合中其它用户特征之间的特征相似度；针对所述用户样本集合中的用户特征，构建特征节点，并根据各个特征节点之间的特征相似度，建立各个特征节点之间的连接关系，以形成由特征节点构成的特征知识图谱。

在一个实施方式中，所述交叉特征生成单元具体用于，在所述特征知识图谱中，确定与所述目标用户表征的特征节点存在直接连接关系的第一特征节点；针对各个所述第一特征节点，若与所述第一特征节点存在特征相似度高于指定阈值的第二特征节点，获取所述第二特征节点；将所述第一特征节点和所述第二特征节点的集合，作为与所述目标用户相关联的关联用户。

本发明提供的技术方案，在推荐模型中增加多种用户特征，使得输入向量更加丰富，改善其它模型数据单一的问题。此外，采用交叉注意力模型提取多种用户特征，充分考虑用户间的交叉特征对推荐性能的影响，使得用户的实体特征与物品特征相互交替学习，补充各自信息，进而提高物品推荐的准确度。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。