技术特征：
1.一种知识图谱层次信息与推荐系统结合的新方法，其特性在于，包括：利用框架模型中输入信息层获取原始信息；将所述原始信息嵌入至嵌入层，用于捕获项目之间的层次结构；将所述层次结构发送至联合学习层，用于交叉训练获取模型最优参数；利用预测层对所述最优参数进行效果评价并输出最终预测结果。2.如权利要求1所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：所述框架模型为共生系统，包括所述输入信息层、所述嵌入层、所述联合学习层以及所述预测层。3.如权利要求1或2所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：所述输入信息层包括，知识图谱、用户—项目交互矩阵和一组项目—实体对齐项。4.如权利要求3所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：所述嵌入层包括，使用gcn捕获项目之间的所述层次结构，一个包含两层gcn模型可以表示为：其中，x表示特征矩阵，a表示邻接矩阵，其中，x表示特征矩阵，a表示邻接矩阵，表示度矩阵；其中，表示为：获取到所述层次结构后，使用层次记录模块作为推荐任务的嵌入模型；还包括对应的损失函数为：其中，y表示真实值，表示预测值，l2为正则化参数。5.如权利要求4所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：所述嵌入模型包括模量部分和相位部分，所述模量部分表示为：其中i_h
m
,i_t
m
∈r
k
，对应的距离函数为：其中i_h,i_t,r分别表示所述推荐任务中头实体、尾实体和关系的嵌入表示。下标m表示所述模量部分的头实体和尾实体；所述相位部分表示为：其中i_h
p
,r
p
,i_t
p
∈[0,2π)
k
；
对应的距离函数为：6.如权利要求5所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：依据所述模量部分和所述相位部分，所述层次记录模块表示为：其中i_h
m
,i_t
m
∈r
k
，i_h
p
,r
p
,i_t
p
∈[0,2π)
k
。所述层次记录模块的距离函数为：其中λ1,λ2∈r。7.如权利要求4-6任一所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：所述嵌入模型的得分函数为：8.如权利要求7所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：所述联合学习层包括链接预测任务和推荐任务；所述链接预测任务采用带有自对抗训练的负采样损失函数训练，表示为：其中γ是个固定值，(h
′
i
,r,t
′
i
)是第i个负样本；所述推荐任务使用bprloss训练，表示为：其中(u,i)是正样本，(u,i
′
)是负样本，g(u,i),g(u,i
′
)表示正负样本的得分。9.如权利要求8所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：所述联合学习层还包括：采用使用总目标函数对所述框架模型共生系统训练，表示为：l＝λl1+(1-λ)l2其中l1,l2分别表示知识图谱中链接预测的损失函数和推荐系统中项目推荐的损失函数，λ为一个平衡两个任务的超参数。10.如权利要求8或9所述的知识图谱层次信息与推荐系统结合的新方法，其特征在于：所述预测层包括推荐任务预测结果和链接预测结果；所述推荐任务预测结果根据排名标准给出，所述排名标准表示为：
其中i表示推荐系统里面的项目，u
n
表示用户u的嵌入表示，e
jn
表示项目n的嵌入表示；所述链接预测结果基于得分函数给出，所述得分函数表示为：<h,r,？>:f1>f2>
…
>fn
→
t1,t2,
…→
tn其中，<h,r，？>为一个元组，n是候选实体的数量。t1,t2,
…
，tn表示每个评分函数f的候选实体；得到前n个(即1,5,10)个候选实体作为所述链接预测结果。
技术总结
本发明公开了一种知识图谱层次信息与推荐系统结合的新方法包括：利用框架模型中输入信息层获取原始信息；将所述部分原始信息嵌入至嵌入层，用于捕获项目之间的层次结构；将所述层次结构发送至联合学习层，用于交叉训练获取模型最优参数；利用预测层对所述最优参数进行效果评价并输出最终预测结果。本发明将项目推荐任务和链接预测任务以端到端方式结合在一起，整体以端到端的方式运行，能够捕获数据网络之间的层次结构，实现对具有层次结构的数据进行精确的预测和推荐，以及对不完整的知识图谱进行补全。图谱进行补全。图谱进行补全。
技术研发人员：杜海舟 汤悦
受保护的技术使用者：上海电力大学
技术研发日：2021.12.15
技术公布日：2022/4/1