一种融合社交网络和知识图谱的推荐方法、系统和设备

技术领域

本申请涉及网络社交信息推荐技术领域，尤其涉及一种融合社交网络和知识图谱的推荐方法、系统和设备。

背景技术

在社交网站泛滥的当下，人们可以通过网络添加好友，增加关注，成为粉丝，这些社交行为构成了巨大的社交网络。为很好地利用社交网络资源，实现资源共享与推送，采用推荐系统向用户推送与用户兴趣相关的信息。推荐系统主要利用用户对项目的行为信息，挖掘出用户的个性化需求，通过用户的兴趣模型主动向用户提供满足其需求的信息，成为了为用户提供个性化服务的一个重要研究领域，也得到了广泛的应用。然而现有的推荐系统中存在的数据稀疏性和冷启动问题影响了推荐性能。

发明内容

本申请提供了一种融合社交网络和知识图谱的推荐方法、系统和设备，用于解决现有的推荐系统中存在的数据稀疏性和冷启动问题影响了推荐性的技术问题。

有鉴于此，本申请第一方面提供了一种融合社交网络和知识图谱的推荐方法，包括：

获取用户的社交网络，计算所述社交网络中的用户间社交相似度；

根据评分矩阵和所述社交网络计算用户间信任度；

根据评分矩阵计算基于用户的评分相似度和基于行为的项目相似度；

根据知识图谱计算项目语义相似度；

根据所述项目语义相似度和所述基于行为的项目相似度计算项目融合相似度；

根据所述基于用户的评分相似度、所述用户间信任度和所述用户间社交相似度计算用户融合相似度；

将所述项目融合相似度和所述用户融合相似度融入基础矩阵分解模型，得到融合社交网络和知识图谱的推荐模型；

根据梯度下降法最小化所述融合社交网络和知识图谱的推荐模型，得到用户对未评分目标项目的预测评分。

可选地，所述获取用户的社交网络，计算所述社交网络中的用户间社交相似度，包括：

获取用户的社交网络；

使用图卷积神经网络训练用户的社交网络，学习具有社交关系的用户在低维向量空间的节点嵌入表达；

采用第一余弦相似度函数计算用户间社交相似度。

可选地，所述根据评分矩阵和所述社交网络计算用户间信任度，包括：

根据所述评分矩阵和所述社交网络计算用户项目权重，根据所述用户项目权重计算用户间信任度，所述用户间信任度的计算公式为：

其中，W

可选地，所述根据评分矩阵计算基于用户的评分相似度和基于行为的项目相似度，包括：

根据所述评分矩阵，采用第二余弦相似度函数计算得到基于用户的评分相似度，所述第二余弦相似度函数为：

其中，U

根据所述评分矩阵，采用第三余弦相似度函数计算得到基于行为的项目相似度。

可选地，所述根据知识图谱计算项目语义相似度，包括：

使用TransE算法在保留语义信息的基础上，将知识图谱中的实体和关系进行向量化表示，得到项目的特征矩阵；

根据所述项目的特征矩阵，采用第四余弦相似度函数计算项目语义相似度。

可选地，所述根据所述项目语义相似度和所述基于行为的项目相似度计算项目融合相似度，包括：

采用融合因子θ∈[0，1]对融合所述项目语义相似度和所述基于行为的项目相似度，得到项目融合相似度。

可选地，所述根据所述基于用户的评分相似度、所述用户间信任度和所述用户间社交相似度计算用户融合相似度，包括：

用融合因子α∈[0，1]，β∈[0，1]，γ∈[0，1]融合所述基于用户的评分相似度、所述用户间信任度和所述用户间社交相似度，得到用户融合相似度，所述用户融合相似度为：

其中，α+β+γ＝1，sim

可选地，所述融合社交网络和知识图谱的推荐模型为：

其中，I

本申请第二方面提供了一种融合社交网络和知识图谱的推荐系统，包括：

获取单元，用于获取用户的社交网络，计算所述社交网络中的用户间社交相似度；

信任度单元，用于根据评分矩阵和所述社交网络计算用户间信任度；

第一计算单元，用于根据评分矩阵计算基于用户的评分相似度和基于行为的项目相似度；

第二计算单元，用于根据知识图谱计算项目语义相似度；

第三计算单元，用于根据所述项目语义相似度和所述基于行为的项目相似度计算项目融合相似度；

第一融合单元，用于根据所述基于用户的评分相似度、所述用户间信任度和所述用户间社交相似度计算用户融合相似度；

第二融合单元，用于将所述项目融合相似度和所述用户融合相似度融入基础矩阵分解模型，得到融合社交网络和知识图谱的推荐模型；

预测单元，用于根据梯度下降法最小化所述融合社交网络和知识图谱的推荐模型，得到用户对未评分目标项目的预测评分。

本申请第三方面提供了一种融合社交网络和知识图谱的推荐设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的融合社交网络和知识图谱的推荐方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中提供了一种融合社交网络和知识图谱的推荐方法，包括：获取用户的社交网络，计算所述社交网络中的用户间社交相似度；根据评分矩阵和所述社交网络计算用户间信任度；根据评分矩阵计算基于用户的评分相似度和基于行为的项目相似度；根据知识图谱计算项目语义相似度；根据所述项目语义相似度和所述基于行为的项目相似度计算项目融合相似度；根据所述基于用户的评分相似度、所述用户间信任度和所述用户间社交相似度计算用户融合相似度；将所述项目融合相似度和所述用户融合相似度融入基础矩阵分解模型，得到融合社交网络和知识图谱的推荐模型；根据梯度下降法最小化所述融合社交网络和知识图谱的推荐模型，得到用户对未评分目标项目的预测评分。本申请中提供的方法分别从社交网络和知识图谱中挖掘用户和物品的影响因素，计算出相似用户和相似物品从而融入传统的矩阵分解推荐模型中形成一种新的推荐模型，解决了现有的推荐系统中存在的数据稀疏性和冷启动问题影响了推荐性的技术问题。

附图说明

为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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相关的附图。

图1为本申请实施例提供的一种融合社交网络和知识图谱的推荐方法的流程示意图；

图2为图神经网络的传播过程示意图；

图3为本申请实施例中提供的用户关系示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

实施例1

为了便于理解，请参阅图1，本申请提供了一种融合社交网络和知识图谱的推荐方法的实施例，包括：

步骤101、获取用户的社交网络，计算社交网络中的用户间社交相似度。

需要说明的是，本申请实施例中，可以使用图卷积神经网络训练用户的社交关系网络，学习具有社交关系的用户在低维向量空间的节点嵌入表达，如图2所示，图2是图卷积神经网络的传播过程示意图，在图卷积神经网络中，隐藏层每一层都会使用以下公式的传播规则将信息聚合起来，从而形成下一层的特征：

其中，σ(·)为激活函数，

经过上式训练得到一个n×d的用户特征矩阵，每一行向量代表的就是每一个用户，因此可以采用第一余弦相似性函数计算用户U

其中，U

步骤102、根据评分矩阵和社交网络计算用户间信任度。

需要说明的是，在关系图G＝{U,E,W}中，U为用户的集合，E为边的集合W为边的权重，若用户u和v具有社交关系，则节点u和节点v间可以连成边E

其中，f(U

例如，如图3所示，用户A和用户B对同样的10个项目进行了评分，且他们的评分的项目并集数为100，那么用户A和用户B之间的信任度为：

步骤103、根据评分矩阵计算基于用户的评分相似度和基于行为的项目相似度。

需要说明的是，设推荐系统中包含m个用户U＝(U

那么可以将用户U

同理，将项目V

步骤104、根据知识图谱计算项目语义相似度。

需要说明的是，可以使用TransE算法在保留语义信息的基础上，将知识图谱中的实体和关系进行向量化表示，得到项目的特征矩阵，然后采用第四余弦相似度函数计算基于知识图谱的项目语义相似度：

步骤105、根据项目语义相似度和基于行为的项目相似度计算项目融合相似度。

需要说明的是，可以采用融合因子θ∈[0，1]对融合所述项目语义相似度和所述基于行为的项目相似度，得到项目融合相似度：

sim(V

步骤106、根据基于用户的评分相似度、用户间信任度和用户间社交相似度计算用户融合相似度。

需要说明的是，可以用融合因子α∈[0，1]，β∈[0，1]，γ∈[0，1]融合基于用户的评分相似度、用户间信任度和用户间社交相似度，得到用户融合相似度，用户融合相似度为：

其中，α+β+γ＝1，sim

步骤107、将项目融合相似度和用户融合相似度融入基础矩阵分解模型，得到融合社交网络和知识图谱的推荐模型。

步骤108、根据梯度下降法最小化融合社交网络和知识图谱的推荐模型，得到用户对未评分目标项目的预测评分。

需要说明的是，利用用户相似度和项目相似度将相似用户和项目的潜在信息融入基础矩阵分解模型，形成统一的KGSCN推荐模型，KGSCN算法认为相似用户和项目在经过矩阵分解后的特征向量表示是近似的，如用户1和用户2相似，那么他们的特征向量也是相似的。通过梯度下降法最小化融合社交网络和知识图谱的推荐模型，可以及计算出用户和项目的特征，从而计算目标用户对未评分项目的预测评分：

其中，L为预测评分，等式右边第一项为基础分解矩阵模型，第二项和第三项分表为用户和项目特征向量的正则化项，用以防止过拟合的产生，第四项和第五项分别表示相似用户融合相似度和项目融合相似度，可以使得相似度大的用户和项目之间的特征向量相似性尽可能大，I

本申请实施例中提供的方法分别从社交网络和知识图谱中挖掘用户和物品的影响因素，计算出相似用户和相似物品从而融入传统的矩阵分解推荐模型中形成一种新的推荐模型，解决了现有的推荐系统中存在的数据稀疏性和冷启动问题影响了推荐性的技术问题。

实施例2

本申请中提供了一种融合社交网络和知识图谱的推荐系统的实施例，包括：

信任度单元，用于根据评分矩阵和所述社交网络计算用户间信任度；

第一计算单元，用于根据评分矩阵计算基于用户的评分相似度和基于行为的项目相似度；

第二计算单元，用于根据知识图谱计算项目语义相似度；

第三计算单元，用于根据所述项目语义相似度和所述基于行为的项目相似度计算项目融合相似度；

第一融合单元，用于根据所述基于用户的评分相似度、所述用户间信任度和所述用户间社交相似度计算用户融合相似度；

第二融合单元，用于将所述项目融合相似度和所述用户融合相似度融入基础矩阵分解模型，得到融合社交网络和知识图谱的推荐模型；

预测单元，用于根据梯度下降法最小化所述融合社交网络和知识图谱的推荐模型，得到用户对未评分目标项目的预测评分。

本申请实施例中，可以使用图卷积神经网络训练用户的社交关系网络，学习具有社交关系的用户在低维向量空间的节点嵌入表达，如图2所示，图2是图卷积神经网络的传播过程示意图，在图卷积神经网络中，隐藏层每一层都会使用以下公式的传播规则将信息聚合起来，从而形成下一层的特征：

其中，σ(·)为激活函数，

经过上式训练得到一个n×d的用户特征矩阵，每一行向量代表的就是每一个用户，因此可以采用第一余弦相似性函数计算用户U

其中，U

需要说明的是，在关系图G＝{U,E,W}中，U为用户的集合，E为边的集合W为边的权重，若用户u和v具有社交关系，则节点u和节点v间可以连成边E

其中，f(U

例如，如图3所示，用户A和用户B对同样的10个项目进行了评分，且他们的评分的项目并集数为100，那么用户A和用户B之间的信任度为：

需要说明的是，设推荐系统中包含m个用户U＝(U

那么可以将用户U

同理，将项目V

需要说明的是，可以使用TransE算法在保留语义信息的基础上，将知识图谱中的实体和关系进行向量化表示，得到项目的特征矩阵，然后采用第四余弦相似度函数计算基于知识图谱的项目语义相似度：

可以采用融合因子θ∈[0，1]对融合所述项目语义相似度和所述基于行为的项目相似度，得到项目融合相似度：

sim(V

可以用融合因子α∈[0，1]，β∈[0，1]，γ∈[0，1]融合基于用户的评分相似度、用户间信任度和用户间社交相似度，得到用户融合相似度，用户融合相似度为：

其中，α+β+γ＝1，sim

利用用户相似度和项目相似度将相似用户和项目的潜在信息融入基础矩阵分解模型，形成统一的KGSCN推荐模型，KGSCN算法认为相似用户和项目在经过矩阵分解后的特征向量表示是近似的，如用户1和用户2相似，那么他们的特征向量也是相似的。通过梯度下降法最小化融合社交网络和知识图谱的推荐模型，可以及计算出用户和项目的特征，从而计算目标用户对未评分项目的预测评分：

其中，L为预测评分，等式右边第一项为基础分解矩阵模型，第二项和第三项分表为用户和项目特征向量的正则化项，用以防止过拟合的产生，第四项和第五项分别表示相似用户融合相似度和项目融合相似度，可以使得相似度大的用户和项目之间的特征向量相似性尽可能大，I

本申请实施例中提供的方法分别从社交网络和知识图谱中挖掘用户和物品的影响因素，计算出相似用户和相似物品从而融入传统的矩阵分解推荐模型中形成一种新的推荐模型，解决了现有的推荐系统中存在的数据稀疏性和冷启动问题影响了推荐性的技术问题。

实施例3

本申请中提供了一种融合社交网络和知识图谱的推荐设备的实施例，设备包括处理器以及存储器：

存储器用于存储程序代码，并将程序代码传输给所述处理器；

处理器用于根据程序代码中的指令执行实施例1中的融合社交网络和知识图谱的推荐方法。

本申请实施例中提供的设备分别从社交网络和知识图谱中挖掘用户和物品的影响因素，计算出相似用户和相似物品从而融入传统的矩阵分解推荐模型中形成一种新的推荐模型，解决了现有的推荐系统中存在的数据稀疏性和冷启动问题影响了推荐性的技术问题。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。