基于知識圖譜的AMI資源精準推薦算法

于合龍，孫 琳

(吉林農業大學信息技術學院，吉林 長春 130118)

1 引言

信息化的發展促進了大數據時代的到來，網絡中的信息量不斷增加，用戶在海量資源選取時，獲取的信息包含很多相似內容，容易導致信息過載，因此推薦算法的作用舉足輕重[1]。農業資源服務是農業信息化研究的熱點，傳統在線資源推薦算法推薦易產生冗余，很難達到用戶精細化要求，導致用戶體驗感較差。同時，推薦算法面臨諸多挑戰，例如資源稀疏性、時效性差等，這些問題的存在使信息資源推薦算法在應用過程中很難取得理想效果[2]。為此，相關研究人員進行了大量研究。

文獻[3]提出基于蜂群K-means聚類的協同過濾推薦算法。該算法結合用戶屬性，對用戶進行聚類處理，在聚類簇中尋找類似偏好的鄰近用戶，并將鄰居用戶的項目評分數據作為構建推薦列表的依據，建立聚類模型；改進蜂群K-means聚類算法，獲取目標用戶與聚類模型到每個聚類中心的距離，將距離最近的類作為目標用戶檢索空間；在該空間中通過項目評分矩陣產生推薦列表。該方法可以有效進行信息資源推薦，但該方法操作過程較為復雜，推薦延時較長。文獻[4]在多特征融合基礎上對推薦算法進行優化。該方法從用戶自身偏好、興趣點、本身特性以及興趣點所在區域，對用戶感興趣因素進行分析，并構建用戶-區域-內容的聯合推薦模型；利用選擇變量控制興趣點的主題，對推薦模型做形式化處理，計算出模型中變量的聯合概率分布，確定參數值；最后，算法進入推薦階段，通過對上述模型進行訓練，得出最終的推薦公式，并結合新老用戶的興趣點對其進行推薦。該方法可以根據用戶興趣進行有效推薦，但該方法推薦的準確度不高。

基于上述問題的存在，本文提出基于知識圖譜的農業在線海量信息資源推薦算法。知識圖譜由節點與邊構成，利用該圖譜將推薦問題轉變為排序問題，構建推薦系統框架，并結合矩陣分解算法建立混合推薦模型，完成基于知識圖譜的農業在線信息資源推薦算法。仿真結果表明，所提方法推薦準確率高，能夠為用戶帶來理想的體驗效果。

2 知識圖譜與推薦系統結構分析

2.1 知識圖譜

知識圖譜由多條知識構成，且每條知識均表示一個三元組知識結構，將所有數據組建為一張有向圖[5]。它在語義網絡思想上發展而成，成為近年來網絡搜索領域的重點話題。在農業信息資源領域使用知識圖譜，圖譜中任意一點均代表一個信息單元，在單元和單元中間利用有向邊描述存在的邏輯關系，從而使知識圖譜具有清晰的信息資源結構。

通過專業的知識圖譜指引用戶，其具有全局性和引領性的優點。其使用戶全面了解專業知識結構，將其看作一張知識地圖，任意一個知識點均是地圖中某個位置，用戶能夠結合知識所處位置，獲取知識地圖的路線指導，結合自己對信息的需求情況，確定下一步的資源檢索內容。知識圖譜架構示意圖如圖1 所示。

圖1 知識圖譜框架示意圖

2.2 推薦系統架構

海量的網絡資源伴隨著個性化需要，出現大量冗余信息。推薦系統的本質就是在海量的資源中，為用戶提供感興趣的信息，并且形成具有個性化的推薦結果，給用戶帶來差異性的檢索服務。

推薦系統的主要功能為利用推薦算法完成信息的查找推薦。在知識圖譜基礎上建立資源推薦系統框架。主要包括提供個性化資源推薦以及資源管理[6]兩方面。推薦系統主體架構如圖2所示。

圖2 推薦系統結構圖

單元測評用于了解用戶現階段對相關知識的認知程度，主要通過調查問卷的方法實現；用戶資源數據記錄包含學習的策略、路徑等特征信息，根據知識圖譜的邏輯關系，生成個性化信息推薦列表，并利用可視化[7]的方法將資源傳輸到用戶界面。

3 基于知識圖譜的農業在線信息資源推薦算法

3.1 用戶興趣遷移模型構建

用戶對農業信息資源感興趣程度會隨時間的推移與交互情況發生變化。傳統算法不能對用戶行為信息的動態變化做出準確反應，并且也不能正確處理用戶興趣遷移問題。本文將遷移模型融入到推薦算法中，有助于個性化信息資源推薦效果的提高。

通過對知識圖譜中的節點分配不同比例權重能夠發現用戶對不同農業知識的興趣差異。興趣遷移模型根據用戶檢索行為與次數，對知識圖譜中節點權重進行調整，體現用戶興趣遷移變化的特征。用戶的行為與當前時間越靠近，同類行為次數越多，則節點所分配的權重越高，表明用戶對該信息資源的興趣越濃厚。

用戶Ui與農業信息資源Ij兩個節點之間的權重表達式為

(1)

式中，t代表當前時間點，n表示同一種行為發生次數，ts描述用戶對信息資源發生反饋的時間，t0代表用戶興趣遷移的時間因素，w為權重閾值，表明用戶隨著時間的推移，可以提供的推薦能力逐漸下降，最后接近常量w。

3.2 基于矩陣分解的推薦算法

3.2.1 矩陣分解原理

矩陣分解的主要思想認為所有用戶與任意項目之間都存在各自的特征，用戶的興趣由少數因素決定。通過矩陣分解在資源交互矩陣中獲取用戶特性矩陣與資源特性矩陣。矩陣分解模型經過抽象后表示為

R=UVT

(2)

式中，U∈Rm×d與V∈Rn×d分別表示矩陣分解后的d維用戶與資源的特征矩陣。利用分解后低維度的用戶和資源特征矩陣的乘積UVT，對已知項目真實矩陣進行近似擬合處理。模型訓練的目標函數表示為

(3)

為準確控制模型在參數學習過程中的擬合問題，引入一種對λ參數加權正則化的方式，利用用戶數量nui與項目數量nvj避免目標函數的轉移，改進后損失函數為

(4)

3.2.2 算法步驟描述

在知識圖譜基礎上，引入矩陣分解算法的農業在線信息資源推薦算法過程如下：

第一步：利用知識圖譜，展示矩陣分解算法訓練獲得實體向量表達；

第二步：對用戶項目與矩陣項目進行交互處理[9]，且與知識圖譜中存在的實體進行特征匹配；

第三步：在知識圖譜中，選擇和待測項目最接近的k個附近鄰居引入到矩陣分解模型中；

第四步：根據模型學習對分解后的用戶與項目矩陣求解，通過計算獲得預測評分。矩陣分級的流程如圖2所示。

圖3 矩陣分解流程圖

經過矩陣分解后的目標函數表達式為：

(5)

(6)

式中，d表示經過模型訓練獲得的維度，取值為正數，利用下述公式對其做標準化處理

f(x)=(1+x)/2

(7)

本文利用梯度下降法最小化目標函數對用戶特征矩陣U，以及農業信息資源特征矩陣V進行求解，以此建立反饋模型[11]為

(8)

傳統推薦算法通常利用鄰接矩陣對數據做儲存與計算，這種方式計算效率較低[12]。假設鄰接矩陣A占據了|V|×|V|的存儲空間，這種情況下|V|在快速增長時很難對其進行計算處理。另外，鄰接矩陣中大部分數據為0，存在非常稀疏現象，這種稀疏性降低了農業信息資源推薦效率。知識圖譜可以結合語義和不同的特征信息，并利用權重展現節點之間存在的關系。不僅考慮節點的同構性與同質性，而且還對用戶興趣遷移狀況進行考慮。農業在線信息資源推薦算法的實現流程如圖4 所示。

圖4 算法流程圖

在對用戶與農業信息資源的特征矩陣求解后，將特征映射在K維空間，此時，幾何上越相近的特征相關性越強。通過向量余弦相似度獲取特征ei與ej之間的相關性信息Sim(ei，ej)，即

(9)

(10)

本文對推薦列表進行擴展，通過知識圖譜對用戶的長期喜好進行判斷，并利用反饋模型和用戶興趣偏移模型建立混合型知識圖譜，用其判斷農業信息資源內容的變化情況與用戶喜好的波動等時效因素。

混合型知識圖譜實體間權重更新模型表示為

(11)

式中，RWij表示更新后資源特征i與j之間的權重值，wij為通過用戶興趣遷移模型運算后獲取的興趣程度值，關系k表示用戶i和資源信息j之間的評分關系，rating表示用戶對農業信息資源的評分，λ屬于歸一化因子，令λ×rating的歸一化初始權重為1，避免評分過高對隨機游走產生影響。

在經過集中訓練后的用戶資源(Ui，Ij)，結合全部資源特征與用戶興趣遷移的知識圖譜上進行深度游走，提取相似性特征Sim(Ui，Ij)mix，根據式(12)建立混合特征模型，即

(12)

4 仿真分析

4.1 仿真環境

為驗證本文算法有效性，進行仿真分析。仿真系統為Windows 10 ，系統運行內存為8 GB。

4.2 實驗參數

從網絡信息資源中收集有關農業信息資源，共10類，分別從200個網頁資料中收集，結合特征向量定義，獲得特征頻度向量數據，構建與其對應的資源庫。實驗參數設置如表1所示。

表1 實驗參數設置

4.3 實驗結果分析

4.3.1 不同方法農業在線資源推薦準確率分析

為證明本文方法的優越性，實驗對比了本文方法、文獻[3]方法以及文獻[4]方法推薦農業信息資源時的準確率實驗結果如圖5 所示。

圖5 不同方法推薦信息的準確率對比

分析圖5 可以看出，三種方法在推薦農業信息資源時的推薦準確率有所差異。當迭代次數為2 時，本文方法的推薦準確率約為87 %，文獻[3]方法的推薦準確率約為63 %，文獻[4]方法的推薦準確率約為61 %；當迭代次數為5時，本文方法的推薦準確率約為96 %，文獻[3]方法的推薦準確率約為72 %，文獻[4]方法的推薦準確率約為81 %。通過對比可以看出，本文方法的農業信息資源推薦的準確率高于其它兩種方法，驗證了本文方法的有效性。

4.3.2 不同方法農業在線資源推薦的時延分析

為了進一步驗證本文方法的有效性，實驗分析了本文方法、文獻[3]方法以及文獻[4]方法在進行農業在線資源推薦時的時延分析，其中，時延越短證明推薦的實時性越好。實驗結果如圖6所示：

圖6 不同方法農業在線資源推薦時延對比

分析圖6 可以看出，隨著實驗次數的增加，三種方法在進行農業信息資源推薦時產生的實驗也不同。當實驗次數為3時，本文方法的推薦的時延約為2 s，文獻[3]方法的推薦時延約為15 s，文獻[4]方法的推薦時延約為12.5 s；當實驗次數為7時，本文方法的推薦的時延約為2 s，文獻[3]方法的推薦時延約為10 s，文獻[4]方法的推薦時延約為11 s。通過對比可以看出本文方法的推薦時延較短，驗證了本文方法在進行推薦時實時性較好。

5 結束語

隨著網絡資源建設程度的不斷提高，為用戶推薦合適的資源信息越來越重要，基于此，本文利用知識圖譜對農業在線信息資源的推薦進行研究。通過構建用戶興趣遷移模型，利用矩陣分解方法獲取目標函數表達式，并根據梯度下降準則對該函數求解，通過與知識圖譜的匹配，建立反饋模型等，完成農業在線信息資源的推薦算法的研究。仿真結果表明，本文方法可有效推薦農業信息資源，推薦的準確率較高，且實時性較好，實現了更準確的個性化農業信息資源的推薦。