一种基于对比学习与视图挖掘的知识图谱推荐方法

本发明属于推荐系统，涉及一种基于对比学习与视图挖掘的知识图谱推荐方法。

背景技术：

1、面对互联网时代海量的数据信息，推荐系统成为为用户提供感兴趣项目的关键。以往的应用场景中，协同过滤被广泛使用来筛选信息以提升推荐的准确性和有效性。然而，对历史交互数据的依赖导致其面临数据稀疏和冷启动问题。此外，在面对交互网络中存在的噪声时，协同过滤方法也表现的不够健壮。一种被证明相当有效并被广泛采用的解决方案是在推荐系统中引入边信息。在各种边信息中，知识图谱作为一种包含大量项目背景信息及项目间关系的有向信息异构网络而脱颖而出，用以提高推荐效果。知识图谱被集成到推荐系统中以获得高质量的用户和项目表示。迄今为止，在知识图谱推荐这一主题上业界已经进行了相当一段时间的研究，企图用kg中的外部知识来学习更好的用户和项目表示。现有的知识图谱感知推荐大致有三种类别：基于嵌入的推荐、基于路径的推荐、基于传播的推荐。

2、知识图谱推荐早期的研究直接用嵌入的方式表征知识图中的实体，使数据语义更加丰富。其中，知识图谱嵌入(kge)方法被应用来预训练知识图谱，以获得特定语义空间下的项目嵌入。例如，zhang等人提出的cke在知识图谱上使用transr得到包含结构信息的实体表示，从而得到与其对齐的项目表示。wang等人提出的dkn有实体表示和单词表示两个不同的通道。首先，dkn通过transd学习得到实体表示，然后新闻文本中的关键实体被提取出来。最后通过联合关键实体表示和原有的单词表示得到新闻表示。cao等人提出的ktup则是通过transh学习一个基于翻译的模型。虽然利用知识图谱嵌入方法能够得到包含结构信息的项目表示，但与推荐任务相比，知识图谱嵌入方法更适用于图内应用(例如：知识图谱推理、知识图谱补全)，得到的项目表示并不能表示项目之间的相关性。

3、为了进一步提升性能，开始采用基于路径的方法，如元结构和路径嵌入。在基于路径的方法中，基于知识图谱，用户和项目之间的多种连接模式被挖掘，为推荐提供准确的指导。基于路径的方法将知识图谱视为一种有向的异构信息网络，并提取其基于元路径或者基于元图的潜在特征，来表示用户和项目之间的关联性。基于路径的方法可以有效的提升推荐的准确性和可解释性，然而，相比于原本的复杂连接模式，单独的线性路径产生了信息损失的问题。除此之外，基于路径的方法并不是一个端到端的框架，这就导致了当推荐场景发生改变时，不得不重新基于新的场景提取和构造元路径或者元图。构造高质量元路径或者元图本身就是一个及其复杂的工作，其需要设计者具有特别丰富的领域知识。

4、基于传播的方法在通过聚合知识图谱中多跳邻居的嵌入到表示中来高效地提升推荐性能。其优化目标被设置为与推荐系统一致，从而提升推荐的效果。较早采用gnn思想的推荐模型是ripplenet，该模型自创了用户偏好传播的模型，其在知识图谱中传播表示向量的嵌入即为用户对物品的偏好信息。然而，ripplenet在传播过程中并没有考虑到关系的重要性，其基于知识图谱所构造的涟漪集的大小随着知识图谱规模的增加有可能会变得失控，从而导致大量的存储和计算损失。与之相比，kgcn和kgat则是借鉴了经典模型图卷积网络gcn和图注意力网络gat来传播信息。然而，kgcn并没有考虑到显式的协作信号，这将会导致得到的项目表示中存在信息缺失的问题；kgat在信息传播过程中并没有将用户节点和项目节点加以区分，这将会导致得到的用户表示和项目表示包含更多的噪声。后续出现的模型如kgin，在联合的协作知识图谱上，以更细粒度的意图和关系路径的长期语义来考虑用户-项目关系。总的来说，以上提出的模型都以监督学习的方式被训练，其监督信号仅仅来自于稀疏的历史交互。

技术实现思路

1、针对上述现有技术的不足，本发明提供了一种基于对比学习与视图挖掘的知识图谱推荐方法。其首先从不同视角出发综合考虑和构建了四种不同的视图，包括由知识图谱和用户-项目交互图联合构成的协作知识图谱、用户-项目交互图、以及基于知识图谱和用户-项目交互图中项目属性所分别构造的两个项目-项目图。然后其在局部和全局水平上对四个视图进行对比学习，旨在以自监督的方式挖掘用户和项目之间的协作信息、项目的属性信息，以及全局的结构信息，从而缓解稀疏的监督信号问题。

2、为实现上述目的，本申请的技术方案如下：

3、一种基于对比学习与视图挖掘的知识图谱推荐方法，包括以下步骤：

4、步骤1：构建四种不同类型的视图

5、综合考虑了由数据集所构造的四个视图，包括全局级协作知识图谱、局部级的用户-项目交互图以及由用户-项目交互图和知识图谱分别衍生构建而来的两种局部级的项目-项目图。

6、步骤2：在局部级协作视图之间进行对比学习

7、基于图卷积网络的架构对用户-项目交互图以及两个项目-项目图这三个局部层面视图进行编码；

8、在用户-项目交互图与基于用户-项目交互图生成的项目-项目图之间，以及基于用户-项目交互图生成的项目-项目图与基于知识图谱生成的项目-项目图之间进行多角度的交叉对比学习，学习出项目在局部水平上的嵌入表示。

9、步骤3：在全局级结构视图和局部级协作视图之间进行对比学习

10、将协作知识图谱基于图卷积进行编码得到全局层面的节点表示；然后在全局视图和局部视图之间执行对比学习从而得到全局级别的用户嵌入和项目嵌入。

11、步骤4：推荐预测

12、通过对来自不同视图的用户表示之间以及项目表示之间进行相加和连接操作以得到最终的用户嵌入表示和项目嵌入表示。

13、通过最终得到的用户嵌入表示和项目嵌入表示，得到预测的匹配分数，具体为：

14、对用户嵌入表示和项目嵌入表示进行内积，以预测其匹配分数。

15、步骤5：优化

16、通过成对的bpr损失来对知识感知推荐任务进行优化，具体为：

17、假设用户的历史交互表明更多的用户偏好，应该比未观察到的交互分配更高的预测分数；

18、最后通过联合局部级对比损失函数、全局级对比损失函数和知识感知推荐任务损失函数得到最终的目标损失函数。

19、本发明的有益效果：在book-crossing、movielens-1m和last.fm三个数据集上对本发明提出的方法进行实验，在ctr预测中，本方法与现有的最先进的基线方法相比均有显著的提升，这归纳于：(1)本方法在全局和局部水平上综合考虑了四种不同的视图，尤其是应用交并比和topk相似度匹配来凸显过去所忽视的项目属性这一信息，更充分地挖掘数据信息从而合理构建项目-项目图；(2)本方法在全局和局部水平上的对比学习能够充分捕捉用户与项目之间、用户之间和项目之间的协作信息以及全局结构信息。

技术特征：

1.一种基于对比学习与视图挖掘的知识图谱推荐方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的一种基于对比学习与视图挖掘的知识图谱推荐方法，其特征在于，所述步骤1具体过程如下：

3.根据权利要求1或2所述的一种基于对比学习与视图挖掘的知识图谱推荐方法，其特征在于，所述步骤2的具体过程如下：

4.根据权利要求3所述的一种基于对比学习与视图挖掘的知识图谱推荐方法，其特征在于，所述步骤3的具体过程如下：

5.根据权利要求4所述的一种基于对比学习与视图挖掘的知识图谱推荐方法，其特征在于，所述步骤4的具体过程如下：

6.根据权利要求1、2、4或5所述的一种基于对比学习与视图挖掘的知识图谱推荐方法，其特征在于，所述步骤5的具体过程如下：

技术总结
本发明提供了一种基于对比学习与视图挖掘的知识图谱推荐方法，属于推荐系统技术领域。该方法首先从不同视角出发综合考虑和构建了四种不同的视图，包括由知识图谱和用户‑项目交互图联合构造的包含全局结构信息的协作知识图谱；基于用户‑项目交互图和知识图谱构建的两个项目‑项目图。除此之外，交并比被应用来构建两个用户‑用户图，并且一个top‑k匹配机制被设计以此来避免引入更多的噪声。然后在局部和全局水平上对四个视图进行对比学习，旨在以自监督的方式挖掘用户和项目之间、用户之间、项目之间的协作信息，以及全局的结构信息，从而缓解稀疏的监督信号问题。

技术研发人员：原旭,吴徽南,高步云,卜西亚,秦昌媛
受保护的技术使用者：大连理工大学
技术研发日：
技术公布日：2024/3/11