本发明实施例涉及数据处理技术,尤其涉及一种知识图谱补全辅助产品推荐方法、设备和存储介质。
背景技术:
1、对于银行等面向用户的机构,会面向用户推出多种不同的产品或服务,但如何向用户推荐最适合的产品或服务,是提高各机构服务质量的重要手段。
2、目前业界提出采用知识图谱辅助推荐的方式进行产品或服务的推荐,知识图谱辅助推荐主要是通过知识图谱补全模型实现,通过提高预测准确性的补全模型实现对用户偏好更精准的预测,其中补全模型准确性提高,其训练需要依赖于正负样本的质量。而现有知识图谱嵌入和补全模型在进行训练时,选择负样本往往是从实体集合中随机选择一个实体来替换头实体或尾实体形成负三元组,但这样的方法无法控制负样本质量,往往会生成低质量的负样本,负样本质量低会导致模型的容错率低、进而导致模型预测准确率变低。
技术实现思路
1、本发明提供一种知识图谱补全辅助产品推荐方法、设备和存储介质,能够提高产品推荐准确度。
2、第一方面,本发明实施例提供一种知识图谱补全辅助产品推荐方法,其特征在于,包括:
3、获取待推荐用户信息,待推荐用户信息包括待推荐用户的基本信息以及待推荐用户与产品的相关信息;
4、将待推荐用户信息输入知识图谱补全模型,知识图谱补全模型通过聚类随机替换实体得到高质量负样本后训练得到;
5、将对待推荐用户信息对应的预测信息作为待推荐用户的产品推荐信息。
6、在第一方面一种可能的实现方式中,获取待推荐用户信息之前,还包括:
7、获取历史用户信息,并基于历史用户信息构建用户与产品的知识图谱,历史用户信息包括历史记录中的用户的基本信息以及用户与产品的相关信息;
8、对用户与产品的知识图谱中的实体进行聚类划分,并随机替换同一聚类中的实体,得到高质量负样本;
9、基于高质量负样本对用户与产品的知识图谱中进行训练,得到知识图谱补全模型。
10、在第一方面一种可能的实现方式中,基于高质量负样本对用户与产品的知识图谱中进行训练,得到知识图谱补全模型,包括:
11、使用对抗自编码器对高质量负样本和用户与产品的知识图谱中的正样本进行训练优化,得到知识图谱补全模型。
12、在第一方面一种可能的实现方式中,对抗自编码器包括编码器和解码器;使用对抗自编码器对高质量负样本和用户与产品的知识图谱中的正样本进行训练优化,得到知识图谱补全模型,包括:
13、将高质量负样本输入编码器,将正样本输入解码器,编码器编码后的信息输入解码器,解码器向编码器反馈优化信息;
14、采用随机梯度下降法作为知识图谱补全模型的损失函数,作为编码器和解码器的优化目标,得到知识图谱补全模型。
15、在第一方面一种可能的实现方式中,对用户与产品的知识图谱中的实体进行聚类划分,并随机替换同一聚类中的实体,得到高质量负样本,包括:
16、采用k-means聚类对用户与产品的知识图谱中的实体进行社区划分;
17、在同社区实体中进行随机替换实体,获得高质量负样本。
18、在第一方面一种可能的实现方式中,采用k-means聚类对用户与产品的知识图谱中的实体进行社区划分,包括:
19、依次计算用户与产品的知识图谱中的实体间的余弦相似度,将余弦相似度差距小于预设阈值的实体划分为同一社区并迭代更新。
20、在第一方面一种可能的实现方式中,获取历史用户信息,包括:
21、从数据库内获取历史用户信息,或者通过用户填写的问卷信息获取历史用户信息。
22、第二方面,本发明实施例提供一种知识图谱补全辅助产品推荐装置,包括:
23、信息获取模块,用于获取待推荐用户信息,待推荐用户信息包括待推荐用户的基本信息以及待推荐用户与产品的相关信息;
24、模型预测模块,用于将待推荐用户信息输入知识图谱补全模型,知识图谱补全模型通过聚类随机替换实体得到高质量负样本后训练得到;
25、产品推荐模块,用于将对待推荐用户信息对应的预测信息作为待推荐用户的产品推荐信息。
26、第三方面,本发明实施例提供一种电子设备,包括:处理器,以及与处理器通信连接的存储器;
27、存储器存储计算机执行指令;
28、处理器执行存储器存储的计算机执行指令,以实现如第一方面任一中可能的实现方式的方法。
29、第四方面,本发明实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如第一方面任一中可能的实现方式的方法。
30、本发明实施例提供的知识图谱补全辅助产品推荐方法、设备和存储介质,首先获取待推荐用户信息,待推荐用户信息包括待推荐用户的基本信息以及待推荐用户与产品的相关信息,然后将待推荐用户信息输入知识图谱补全模型,知识图谱补全模型通过聚类随机替换实体得到高质量负样本后训练得到,最后将对待推荐用户信息对应的预测信息作为待推荐用户的产品推荐信息,能使针对不同客户进行精准化推荐,提高客户体验。
1.一种知识图谱补全辅助产品推荐方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述获取待推荐用户信息之前,还包括:
3.根据权利要求2所述的方法,其特征在于,所述基于所述高质量负样本对所述用户与产品的知识图谱中进行训练,得到所述知识图谱补全模型,包括:
4.根据权利要求3所述的方法,其特征在于,所述对抗自编码器包括编码器和解码器;所述使用对抗自编码器对所述高质量负样本和所述用户与产品的知识图谱中的正样本进行训练优化,得到所述知识图谱补全模型,包括:
5.根据权利要求2所述的方法,其特征在于,所述对所述用户与产品的知识图谱中的实体进行聚类划分,并随机替换同一聚类中的实体,得到高质量负样本,包括:
6.根据权利要求5所述的方法,其特征在于,所述采用k-means聚类对所述用户与产品的知识图谱中的实体进行社区划分,包括:
7.根据权利要求2~6中任一项所述的方法,其特征在于,所述获取历史用户信息,包括:
8.一种知识图谱补全辅助产品推荐装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-8中任一项所述的方法。