一种基于深度矩阵分解与知识图谱的服务推荐方法

本发明涉及政务服务推荐领域，具体涉及一种基于深度矩阵分解与知识图谱的服务推荐方法。

背景技术：

1、“互联网+政务服务”将传统的政务服务方式与现代互联网技术相结合，实现了政府与公民之间的便捷互动和信息交流，提升了政务服务的效率、透明度和公正性，同时也推动了数字化转型和智慧城市建设。然而随着城市级一站式服务平台的建设，政务服务资源庞大分散、种类多、层级复杂，政务服务面向市民用户，常常需要个性化的信息服务。如何从海量城市政务服务中为用户过滤出所需的服务事项，并将其推荐给用户，是一站式市服务平台面临的痛点难点问题。在个性化推荐技术中，传统的协同过滤推荐算法，应用广泛，技术成熟，但难以应对政务服务个性化推荐场景下面临的数据稀疏问题。

技术实现思路

1、本发明的目的在于提供一种基于深度矩阵分解与知识图谱的服务推荐方法，旨在解决政务服务推荐时面临的用户数据稀疏，大量异质多源、组织松散的数据未能充分利用的问题。

2、为解决上述技术问题，本发明采用如下技术方案：一种基于深度矩阵分解与知识图谱的服务推荐方法，包括如下步骤：

3、s1:根据用户与服务事项交互过程中产生的行为数据获得初始用户向量，将初始用户向为输入全连接层输出即为用户向量ui：

4、根据用户与服务事项交互过程中产生的行为数据，按照度量规则对用户行为数据进行量化，构建用户-服务事项行为矩阵其中矩阵的每一行表示一个初始用户向量，矩阵中的数值rij表示用户i对服务事项j的点击次数。

5、构建政务服务知识图谱g，服务事项实体和关系之间用图结构进行表示，每个服务事项实体看作图中的节点，关系看作边；

6、s2:构建和训练gkgr模型，所述gkgr模型包括：

7、s2-1:根据政务服务知识图谱定义实体上下文信息获得服务事项实体向量es；

8、s2-2:根据政务服务知识图谱定义实体描述文本获得第二服务事项实体向量ed；

9、s2-3:根据服务事项实体向量es与服务事项实体向量ed得到最终服务事项向量e；

10、s2-4:给定用户i、服务事项实体j以及用户-服务事项行为矩阵rij，构建了用户-服务事项偏好对<i,j,j′>，表示用户i与服务事项实体j有交互，与服务事项j′无交互，即用户i对服务事项j有需求。从g中找到与j、j′相关的三元组和实体描述文本。通过实体上下文的知识表示方法学习es，利用bi-lstm学习服务事项实体向量ed。通过门控机制将两种实体向量进行融合，将用户向量ui和服务事项向量输入到个性化排序模型。

11、当目标函数最大且不再变化时，训练结束，此时得到最优gkgr模型；

12、s3:对于一个用户，采用s1得到用户向量输入最优gkgr模型，最优gkgr模型计算该用户与所有服务事项的关联程度，并按照关联程度值的大小降序排列，输出关联程度值所对应的服务事项序列。

13、作为优选，所述s2-1获得服务事项实体向量es的过程如下：

14、实体上下文信息c(h,r,t)包括邻居上下文cn(h)和路径上下文cp(h,t)。

15、邻居上下文cn(h)是指与给定节点直接相连的其他节点的集合。

16、路径上下文cp(h,t)是指与给定节点相连的所有路径所组成的上下文信息,即c(h,r,t)＝cn(h)∪cp(h,t)。

17、服务事项实体h的邻居上下文定义如下公式所示，g表示政务服务知识图谱。

18、

19、其中，h,t表示不同的服务事项实体，r表示关系；

20、服务事项实体h和t的路径上下文定义如下公式所示：

21、

22、其中，pi是h到达实体t的关系序列，l是所有关系路径中的最大长度，r1，表示h到达实体t途径的其它关系，e1，表示h到达实体t途径的其它实体，li表示第i个关系。

23、三元组(h,r,t)成立的概率如下公式所示。

24、f(h,r,t)＝p((h,r,t)|c(h,r,t)；θ)    (3)

25、其中，θ表示模型的参数，评分函数f(·)的分数越高，三元组成立的概率越大。

26、预训练模型transe，三元组(h,r,t)输入transe，当f(h,r,t)值最大时，transe的输出即服务事项实体向量es。

27、作为优选，对所述评分函数f(·)采用方法进行优化：

28、通过条件概率对f(h,r,t)进行分解，可以得到：

29、f(h,r,t)＝p(h|c(h,r,t)；θ)·p(t|c(h,r,t),h；θ)·p(r|c(h,r,t),h,t；θ)(4)

30、其中p(h|c(h,r,t)；θ)表示在h出现的条件概率。由于实体h与其邻居上下文相关，因此可以将p(h|c(h,r,t)；θ)直接近似表示为p(h|cn(h)；θ)，定义如下公式所示。

31、

32、其中表示任意实体与h实体邻居上下文的关联程度。

33、h′表示错误的三元组中的头实体；

34、p(t|c(h,r,t),h；θ)表示实体t概率，利用路径上下文衡量头实体、尾实体之间的关联程度，

35、p(t|c(h,r,t),h；θ)近似表示为p(t|cp(h,t),h；θ)，定义如下公式所示。

36、

37、其中，ε表示尾实体集合、t′表示错误三元组(负例)中的尾实体；

38、p(r|c(h,r,t),h,t；θ)表示关系r出现的条件概率。实体h和t已确定，实体上下文已经被引入，因此，省略p(r|c(h,r,t),h,t；θ)中的实体上下文c(h,r,t)如下公式所示。

39、

40、评分函数中的p(h|c(h,r,t)；θ)、p(t|c(h,r,t),h；θ)及p(r|c(h,r,t),h,t；θ)近似表示为p(h|cn(h)；θ)、p(t|cp(g,t),g；θ)及p(r|h,t；θ)，如下公式所示。

41、f(g,r,t)≈p(h|cn(h)；θ)·p(t|cp(h,t),h；θ)·p(r|h,t；θ)    (8)通过最大化评分函数f(h,r,t)＝p((h,r,t)|c(h,r,t)；θ)对实体上下文信息的向量进行优化。作为优选，所述s2-2根据政务知识图谱实体描述文本获得服务事项实体向量ed的过程如下：

42、基于构建的政务服务知识图谱g，针对服务事项实体定义实体描述文本，实体描述文本包括实体名称、实体关联的关系名称和尾实体名称；

43、实体描述文本的第i个位置对给定关系r的权重定义为αi(r)，如下公式所示。

44、

45、

46、其中，其中，是通过表示学习得到的关系向量，是第i个位置的输出，wa和ua是参数矩阵，是参数向量。ei(r)是zi和关系r的相关性，n表示实体描述文本的长度。

47、服务事项实体向量ed定义如下公式所示。

48、

49、x1，xn分别表示实体描述文本的长度为1和为n的位置。

50、作为优选，所述s2-3根据服务事项实体向量es与服务事项实体向量ed得到最终服务事项向量e的过程如下：

51、通过门控机制将es与ed进行融合得到e，定义如下公式所示。

52、e＝β⊙es+(1-β)⊙ed   (12)

53、其中，β∈[0,1]表示平衡两种表示权重的门。

54、作为优选，所述目标函数l为：

55、

56、

57、vj＝β⊙esj+(1-β)⊙edj    (15)

58、其中，ui是用户i的向量表示，vj、vj′分别是政务服务事项实体j和j′的向量表示，z表示正则项。

59、

60、其中，f(h,r,t；dh,dt)表示知识表示学习部分的评分函数，gh、gt分别是头实体和尾实体的门控大小，hs、ts分别为h和t的实体上下文信息的向量，hd、td为h和t的实体描述文本知识的向量。

61、相对于现有技术，本发明至少具有如下优点：

62、所述s1通过分析用户行为的特点，构建用户-服务事项行为矩阵，利用神经网络对用户和服务事项进行特征提取。充分利用用户行为数据，有效地缓解数据稀疏的问题。解决了政务服务推荐方法个性化程度不足，传统的协同过滤技术难以解决用户-服务事项矩阵稀疏等问题。

63、所述s2利用政务资源数据构建政务服务知识图谱，通过知识表示方法对实体上下文和实体描述文本信息进行建模，联合学习知识表示任务和个性化推荐任务，提高推荐结果的准确性和可解释性，有效缓解了政务服务推荐的冷启动问题。解决了政务信息资源异质多源、组织松散而未能充分利用的问题。