本發(fā)明涉及圖書(shū)推薦方法，尤其涉及基于deepfm和注意力機(jī)制的知識(shí)圖譜圖書(shū)推薦方法及系統(tǒng)。

背景技術(shù)：

1、隨著智能手機(jī)和平板電腦的普及，在線圖書(shū)為讀者提供了便捷的閱讀平臺(tái)，使讀者能夠利用碎片化時(shí)間隨時(shí)隨地進(jìn)行閱讀，為滿足不同讀者的閱讀需求，在線圖書(shū)的種類(lèi)和數(shù)量呈現(xiàn)指數(shù)式增長(zhǎng)，信息過(guò)載問(wèn)題相應(yīng)出現(xiàn)。推薦系統(tǒng)作為有效緩解信息過(guò)載的工具，在圖書(shū)推薦中得到廣泛應(yīng)用，其根據(jù)讀者閱讀行為和偏好實(shí)時(shí)調(diào)整推薦列表，確保找到符合其閱讀偏好的書(shū)籍，從而提升閱讀體驗(yàn)。

2、讀者數(shù)量與電子圖書(shū)的海量庫(kù)存相比微不足道，與此同時(shí)，讀者與電子圖書(shū)的交互數(shù)據(jù)往往是隱式的，導(dǎo)致讀者的閱讀偏好不易捕捉，存在數(shù)據(jù)稀疏性問(wèn)題。目前圖書(shū)網(wǎng)站通過(guò)輔助信息社交網(wǎng)絡(luò)、評(píng)論文本、知識(shí)圖譜和上下文信息緩解數(shù)據(jù)稀疏。其中，知識(shí)圖譜因其豐富的語(yǔ)義關(guān)系和精準(zhǔn)獲取用戶(hù)興趣脫穎而出。

3、針對(duì)上述問(wèn)題，本發(fā)明提出了基于deepfm和注意力機(jī)制的知識(shí)圖譜圖書(shū)推薦方法，以解決圖書(shū)推薦場(chǎng)景中因隱式交互數(shù)據(jù)稀疏，無(wú)法精準(zhǔn)捕捉讀者興趣導(dǎo)致的推薦列表不準(zhǔn)確問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有技術(shù)中存在的問(wèn)題，提出了本發(fā)明。

2、因此，本發(fā)明解決的技術(shù)問(wèn)題是：通過(guò)結(jié)合deepfm模型和注意力機(jī)制，構(gòu)建一個(gè)新型的推薦系統(tǒng)，旨在克服現(xiàn)有系統(tǒng)的局限性。首先，將實(shí)現(xiàn)更精確的知識(shí)圖譜嵌入表示，不僅關(guān)注三元組本身，還考慮實(shí)體之間的復(fù)雜關(guān)系和高階信息，從而提升推薦系統(tǒng)的信息挖掘能力和推薦準(zhǔn)確度。其次，采用注意力機(jī)制優(yōu)化模型，平衡和整合低階和高階特征交互，以提高向量表示的精確性和推薦效果。最后，開(kāi)發(fā)一種通用且具有良好泛化能力的路徑分析方法，能夠自動(dòng)學(xué)習(xí)和適應(yīng)不同的場(chǎng)景和應(yīng)用需求，從而使得推薦系統(tǒng)在實(shí)際應(yīng)用中更具靈活性和可擴(kuò)展性。

3、為解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：基于deepfm和注意力機(jī)制的知識(shí)圖譜圖書(shū)推薦方法，包括：構(gòu)建協(xié)同知識(shí)圖譜，利用transe方法獲取讀者初始向量嵌入，利用transh方法獲取電子圖書(shū)的初始向量嵌入；利用one-hot編碼處理讀者特征和電子圖書(shū)特征，獲取讀者向量表示和電子圖書(shū)向量表示；通過(guò)deepfm模型對(duì)讀者向量表示優(yōu)化，將transe模型獲得的讀者初始嵌入向量與deepfm模型的輸出融合，獲取最終讀者向量xreader；將one-hot編碼預(yù)處理后的電子圖書(shū)向量表示輸入kgat模型的嵌入層獲取電子圖書(shū)的特征嵌入表示，與transh模型獲得的電子圖書(shū)初始嵌入向量求和，獲取d維電子圖書(shū)向量嵌入后使用kgat模型的信息傳播模塊優(yōu)化，獲取電子圖書(shū)向量xbook；將讀者向量和電子圖書(shū)向量做內(nèi)積操作獲取預(yù)測(cè)評(píng)分，采用綜合損失函數(shù)優(yōu)化模型參數(shù)。

4、作為本發(fā)明所述的基于deepfm和注意力機(jī)制的知識(shí)圖譜圖書(shū)推薦方法的一種優(yōu)選方案，其中：所述構(gòu)建協(xié)同知識(shí)圖譜包括將讀者電子圖書(shū)二部圖r＝{(u,v)|u∈u,v∈v}的項(xiàng)目v和知識(shí)圖譜gkg＝{(h,r,t)|h,t∈e,r∈r}中的實(shí)體e對(duì)齊連接，并將讀者作為新的實(shí)體加入到實(shí)體集中，讀者和電子圖書(shū)的隱式交互關(guān)系作為新的關(guān)系加入到關(guān)系集中，構(gòu)建協(xié)同知識(shí)圖譜g＝{(h,r,t)|h,t∈e',r∈r'}，其中，h,r,t分別表示三元組的頭實(shí)體、關(guān)系和尾實(shí)體；e'＝e∪u，二部圖項(xiàng)目v是知識(shí)圖譜實(shí)體e的子集，u是讀者集合；r'＝r∪{interaction}，r是知識(shí)圖譜中的關(guān)系集合，{interaction}是讀者與電子圖書(shū)的隱式交互關(guān)系，構(gòu)建完成協(xié)同知識(shí)圖譜，利用transe方法獲取讀者初始向量嵌入，利用transh方法獲取電子圖書(shū)的初始向量嵌入。

5、作為本發(fā)明所述的基于deepfm和注意力機(jī)制的知識(shí)圖譜圖書(shū)推薦方法的一種優(yōu)選方案，其中：所述讀者初始向量嵌入包括將讀者的人口統(tǒng)計(jì)信息抽取到知識(shí)圖譜中，利用transe方法將讀者知識(shí)圖譜的實(shí)體和關(guān)系嵌入到維度為m的向量空間，獲取讀者初始向量嵌入eu＝{e1,e2,…em}，其中，em表示讀者m的第i個(gè)屬性所對(duì)應(yīng)的向量；所述電子圖書(shū)的初始向量嵌入包括將電子圖書(shū)的屬性信息抽取到知識(shí)圖譜中，利用transh方法將電子圖書(shū)知識(shí)圖譜中實(shí)體和關(guān)系嵌入到n維的向量空間，獲取電子圖書(shū)初始向量嵌入，表示為：

6、evi＝{e1i,e2i,…eni}，

7、其中：

8、eni＝{e1ni,e2ni,…efni}，

9、其中，eni表示電子圖書(shū)n的第i個(gè)屬性所對(duì)應(yīng)的向量，efni表示電子圖書(shū)n的第i個(gè)屬性的第f個(gè)取值。

10、作為本發(fā)明所述的基于deepfm和注意力機(jī)制的知識(shí)圖譜圖書(shū)推薦方法的一種優(yōu)選方案，其中：所述one-hot編碼處理包括處理讀者特征包括性別，年齡以及職業(yè)和電子圖書(shū)特征包括作者，主角以及題材，對(duì)讀者特征和電子圖書(shū)特征進(jìn)行預(yù)處理one-hot編碼，將數(shù)值特征進(jìn)行標(biāo)準(zhǔn)化處理，獲取讀者向量表示和電子圖書(shū)向量表示，使用deepfm模型對(duì)讀者向量?jī)?yōu)化，使用kgat模型的信息傳播層對(duì)電子圖書(shū)向量?jī)?yōu)化。

11、作為本發(fā)明所述的基于deepfm和注意力機(jī)制的知識(shí)圖譜圖書(shū)推薦方法的一種優(yōu)選方案，其中：所述使用deepfm模型對(duì)讀者向量?jī)?yōu)化包括利用fm模塊提取讀者的一階特征信息和二階特征交互信息，deep模塊提取讀者的高階特征交互信息，將deepfm的fm模塊和deep兩個(gè)模塊的輸出加權(quán)求和，獲取優(yōu)化后的讀者向量表示：

12、

13、其中，wi是讀者特征xi的參數(shù)權(quán)重，vi是特征向量xi的隱含向量，b是偏置項(xiàng)；

14、將transe獲取的讀者初始向量嵌入eu與deepfm優(yōu)化后的讀者向量表示reader融合，d表示讀者向量表示維度，在transe和deepfm模型的最后添加全連接層。

15、作為本發(fā)明所述的基于deepfm和注意力機(jī)制的知識(shí)圖譜圖書(shū)推薦方法的一種優(yōu)選方案，其中：所述使用kgat模型的信息傳播層對(duì)電子圖書(shū)向量?jī)?yōu)化包括采用關(guān)系感知圖注意力網(wǎng)絡(luò)迭代聚合鄰域信息，獲取電子圖書(shū)的實(shí)體表示，經(jīng)過(guò)多層迭代傳播后得到電子圖書(shū)的每一層表示，累加得到d維的電子圖書(shū)向量xbook；

16、第l層迭代具體過(guò)程表示為：h表示頭實(shí)體，nh表示與頭實(shí)體h相鄰的尾，實(shí)體和關(guān)系r的集合，頭實(shí)體h鄰域內(nèi)包含多個(gè)鄰居實(shí)體，頭實(shí)體與不同鄰居實(shí)體的關(guān)系權(quán)重不同，利用注意力機(jī)制動(dòng)態(tài)計(jì)算鄰居實(shí)體的權(quán)重，δ‘r(h,t)表示為：

17、δ‘r(h,t)＝fsim(eh⊥,er+et⊥)

18、其中，fsim是余弦相似度函數(shù)，eh⊥,et⊥是給定知識(shí)圖譜三元組(h,r,t)，經(jīng)過(guò)映射后的頭實(shí)體和尾實(shí)體表示,er是頭尾實(shí)體間的關(guān)系表示,使用softmax函數(shù)歸一化處理，表示為：

19、

20、得到當(dāng)前頭實(shí)體h在l層的鄰域特征利用鄰域信息表示：

21、

22、其中，是l層迭代過(guò)程中融合了關(guān)系特征的尾實(shí)體t的表示；

23、使用gcn聚合函數(shù)將頭實(shí)體h自身特征和鄰域特征相加，經(jīng)過(guò)非線性變換層得到l+1層的頭實(shí)體h表示：

24、

25、其中，表示頭實(shí)體h在第層的嵌入表示，σ是激活函數(shù)；

26、經(jīng)過(guò)多層注意力機(jī)制迭代的信息傳播后，獲得電子圖書(shū)的每一層表示，將每一層的表示累加，得到d維的電子圖書(shū)向量xbook。

27、作為本發(fā)明所述的基于deepfm和注意力機(jī)制的知識(shí)圖譜圖書(shū)推薦方法的一種優(yōu)選方案，其中：所述預(yù)測(cè)評(píng)分包括將讀者向量和電子圖書(shū)向量做內(nèi)積操作獲得預(yù)測(cè)評(píng)分：所述優(yōu)化模型參數(shù)包括綜合損失優(yōu)化電子圖書(shū)推薦模型參數(shù)，將推薦模型的損失函數(shù)和知識(shí)圖譜初始向量嵌入的損失函數(shù)相加：l＝le-book+lkg；

28、推薦模型的任務(wù)目標(biāo)包括將預(yù)測(cè)評(píng)分最高的前k個(gè)電子圖書(shū)推薦給讀者，選用bpr損失函數(shù)優(yōu)化推薦模型參數(shù)，確保正樣本的預(yù)測(cè)評(píng)分高于負(fù)樣本：

29、

30、transe方法將讀者知識(shí)圖譜映射到低維稠密向量空間和使用transh方法將電子圖書(shū)知識(shí)圖譜射到低維稠密向量空間的損失函數(shù):

31、lkg＝∑(h,r,t,t')-lnσ(g(h,r,t')-g(h,r,t))。

32、為解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：基于deepfm和注意力機(jī)制的知識(shí)圖譜圖書(shū)推薦系統(tǒng)，包括：知識(shí)圖譜嵌入模塊、kgat信息傳播模塊、deepfm模塊以及評(píng)分預(yù)測(cè)模塊；

33、所述知識(shí)圖譜嵌入模塊，根據(jù)讀者人口統(tǒng)計(jì)信息和電子圖書(shū)的屬性特征，使用transe方法和transh方法獲取初始向量嵌入eu和evi；

34、所述kgat信息傳播模塊，將one-hot編碼預(yù)處理后的低維稠密向量特征v和transh模型獲得的電子圖書(shū)初始嵌入向量evi求和，獲取d維的電子圖書(shū)向量嵌入表示，作為kgat模型嵌入層的輸入，采用關(guān)系感知圖注意力網(wǎng)絡(luò)迭代聚合領(lǐng)域信息，使用kgat模型的信息傳播模塊優(yōu)化，獲取最終電子圖書(shū)向量xbook；

35、所述deepfm模塊，通過(guò)fm模塊提取讀者的一階特征信息和二階特征交互信息，deep模塊提取讀者的高階特征交互信息，通過(guò)激活函數(shù)獲取優(yōu)化后的讀者向量表示reader，在transe和deepfm模型的最后添加全連接層將transe獲取的讀者初始向量嵌入eu與deepfm優(yōu)化后的讀者向量表示reader融合，獲取最終讀者向量xreader；

36、所述評(píng)分預(yù)測(cè)模塊，將預(yù)測(cè)評(píng)分最高的前k個(gè)電子圖書(shū)推薦給讀者。

37、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上所述的基于deepfm和注意力機(jī)制的知識(shí)圖譜圖書(shū)推薦方法的步驟。

38、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的基于deepfm和注意力機(jī)制的知識(shí)圖譜圖書(shū)推薦方法的步驟。

39、本發(fā)明的有益效果：相較于傳統(tǒng)的推薦算法，該方法不僅降低了冷啟動(dòng)對(duì)推薦效果的影響，還充分利用知識(shí)圖譜的關(guān)系信息和特征的交互信息，獲取多源信息，使得讀者向量和圖書(shū)向量表示更加準(zhǔn)確，進(jìn)而提升模型的泛化能力和推薦效果。