论文部分内容阅读
现如今服务交易领域中的数据总量呈现爆发式增长,如何高效地从数据中捕获有价值的信息已经严重桎梏了当前服务交易应用的发展,而目前能够挣脱这种桎梏的最有效的技术则是推荐系统。同时由于知识图谱所特有的图结构为提升服务交易领域推荐效果带来了新的思路。所以本文通过使用服务交易领域数据搭建知识图谱,利用知识图谱向量化技术提取出丰富的语义信息,与推荐算法相融合并提升推荐性能。重点探索了服务交易知识图谱的搭建技术和在top-N与评分预测推荐场景中推荐算法与知识图谱融合方式的设计。本文的主要工作内容如下:1.提出了一种服务交易领域的知识图谱构建方法。将知识图谱的概念引入服务交易领域中,首先对服务交易领域中的知识特征进行分析,完成该领域内实体和关系的划分,从而实现了服务交易领域本体库的搭建。然后利用知识抽取技术根据本体库中对实体和关系的定义抽取出服务交易的具体实体和关系知识。最后通过分析关系型数据库存储数据的利弊,选择使用图数据库Neo4j进行知识存储。2.提出了一种基于知识图谱的top-N推荐算法。该算法可以分为三部分,分别包括带有注意力机制的双向LSTM网络结构,时间演化模型和基于知识图谱的物品相似度候选池,并采用联合学习的融合方式进行学习训练。从知识图谱中提取出的物品语义信息在原有的推荐框架上增加了物品的语义信息。实验表明与其他的top-N基准模型相对比,基于知识图谱的推荐算法在准确率和召回率方面分别都有所提升。3.提出了一种基于知识图谱的评分预测推荐算法。该方法在CNN-BLSTM神经网络框架中,通过依次学习的融入方式引入知识图谱,即将知识图谱向量化提取出时间语义信息与评论信息拼接一起作为CNN-BLSTM神经网络的输入,这弥补了原本的推荐算法中没有考虑时间信息的缺陷。与其他评分预测的基准模型相比,在四个实验数据中,基于知识图谱的推荐算法在均方根误差方面平均最高下降了37%。