面向企业风险知识服务的动态知识图谱构建及应用研究

这是一篇关于企业风险动态管理,企业风险知识服务,动态知识图谱,智能问答应用的论文, 主要内容为近年来,伴随着社会主义市场经济的发展与完善,企业之间的竞争持续加剧,企业外部市场环境也日趋复杂。大数据环境下,企业风险管理面临信息爆炸的难题,与企业风险有关的信息和知识涉及到经济、产业、投资等覆盖全行业的方方面面,这对企业风险管理来说是一个巨大的挑战。尽管面向企业风险管理的知识服务为管理者提供了决策支持,但随着信息技术的发展以及数据体量的不断增加,如何存储和组织大规模多源异构的风险知识,并根据现有知识进行风险知识融合和动态知识推理,以提高风险知识服务平台的智能化和专业化水平,成为企业风险知识服务深入发展的关键问题。知识图谱以其强大的语义处理能力和开放互联能力,让大数据环境下的知识资源组织和管理更为高效。知识图谱作为一种知识整合和知识结构化表示的方法,是推动企业知识服务智能化发展的核心技术之一,能够有效解决智能搜索、智能问答、个性化推荐等基于知识的推理和决策问题,尤其是动态知识图谱的发展,将知识的时序特征融入到知识图谱中,对于企业风险管理领域来说,知识图谱能够构建出包含风险知识时间信息的知识网络。因此,本文将动态知识图谱技术应用到企业风险动态管理的实践中,借助动态知识图谱来构建企业实体的风险知识网络,并以此来优化企业风险知识服务的质量和精准度。本文首先分析了企业风险知识服务体系的主要构成要素,并以此为依据提出企业风险动态管理的实践框架,以及基于知识图谱的企业风险知识服务模型,较为全面地阐述了企业风险知识在面向企业风险管理的知识服务中的运作流程;随后将动态知识图谱技术与企业风险动态管理的理念相互融合,分析了构建企业风险领域知识图谱的需求和整体技术流程,从而提出面向企业风险知识服务的动态知识图谱的构建模型,并详细介绍了模型中对企业风险知识资源进行知识抽取、知识融合以及动态知识推理的具体适用方法。本文充分利用互联网资源,爬取了企业公开的结构化数据和非结构化的文本数据,通过本文构建的模型实现了对企业风险知识资源的抽取、融合和动态推理,并以Neo4j图数据库和Mongo DB关系数据库分类存储知识,从而验证了模型的可行性,最后将构建的动态知识图谱应用于企业风险领域的问答系统,示例了该图谱在企业风险知识服务中的具体应用。本文为企业利用内部业务和运营数据构建内部知识图谱,或内外部联合的全局风险知识图谱提供了参考,对于企业提高风险应对能力,以及提升企业风险知识服务质量具有重要意义。

基于时序信息和统计信息的动态知识图谱推理

这是一篇关于动态知识图谱,知识图谱推理,时序信息,统计信息,实体预测的论文, 主要内容为知识图谱是实体和关系组成的拓扑结构网络,它可以结构化表示现实世界中的知识。动态知识图谱是在经典知识图谱中加入了时间维度信息,在动态知识图谱上做实体或关系预测,属于知识图谱推理的方向之一,在推理中既要预测可能出现的实体也要预测实体对之间可能出现的关系。依据以往对动态知识图谱的研究,为了提升对动态知识图谱的推理能力,本文提出了一种基于时序信息和统计信息的动态知识图谱推理模型。模型考虑了动态知识图谱中事件的时序性和动态性,还把事件的历史统计信息考虑到了对知识图谱的推理中。对于动态知识图谱推理问题,本文提出的模型主要分为了三个模块,分别是时序信息预测模块、统计信息预测模块和事实预测模块。时序信息预测模块是基于动态知识图谱中事件的时序性和动态性进行推理;其中有三个部分,第一部分是聚合器,模型选用的是RGCN作为聚合器,RGCN可以聚合目标实体周围所有关系下的邻近信息,包括聚合目标实体作为主体和客体的邻近信息。第二部分是编码器,为了对知识图谱中的事件有更好的时序编码,本文选用的是LSTM作为编码器,它可以对聚合信息进行时序编码获得事件之间的时序相关性。第三部分是解码器,解码器的功能是对编码信息进行特征提取和多分类预测,得到待预测实体的概率。统计信息预测模块对于给定(s,r,?,t)任务进行实体o预测的问题,首先是在距离当前时刻前m个时间戳下,统计满足(s,r,?)条件下实体o的信息,然后基于统计的历史信息,进行实体o的预测。事实预测模块在得到基于时序信息预测和统计信息预测的预测结果后,为了对(s,r,?,t)有更准确的预测,对于两个模块的预测结果进行加权融合,获得待预测实体o的最终概率。因为RGCN作为聚合器会聚合目标实体周围所有关系下邻近信息,把目标实体作为客体的信息也进行聚合,那么这部分信息就可能对模型的推理造成影响。为了减少聚合信息中可能的干扰信息,本文提出使用邻近向量均值聚合器代替原有的RGCN聚合器,邻近向量均值聚合器只聚合以目标实体为主体的邻近信息,会让聚合的信息更加准确。实验证明,本文提出的模型通过结合事件时序信息和统计信息,并加权融合两种推理方式的预测概率,让模型在动态知识图谱推理上有了更好的效果。在部分数据集中,使用邻近向量均值聚合器由于减少了聚合信息中的干扰信息,让其获得了更好的推理结果。

面向企业风险知识服务的动态知识图谱构建及应用研究

这是一篇关于企业风险动态管理,企业风险知识服务,动态知识图谱,智能问答应用的论文, 主要内容为近年来,伴随着社会主义市场经济的发展与完善,企业之间的竞争持续加剧,企业外部市场环境也日趋复杂。大数据环境下,企业风险管理面临信息爆炸的难题,与企业风险有关的信息和知识涉及到经济、产业、投资等覆盖全行业的方方面面,这对企业风险管理来说是一个巨大的挑战。尽管面向企业风险管理的知识服务为管理者提供了决策支持,但随着信息技术的发展以及数据体量的不断增加,如何存储和组织大规模多源异构的风险知识,并根据现有知识进行风险知识融合和动态知识推理,以提高风险知识服务平台的智能化和专业化水平,成为企业风险知识服务深入发展的关键问题。知识图谱以其强大的语义处理能力和开放互联能力,让大数据环境下的知识资源组织和管理更为高效。知识图谱作为一种知识整合和知识结构化表示的方法,是推动企业知识服务智能化发展的核心技术之一,能够有效解决智能搜索、智能问答、个性化推荐等基于知识的推理和决策问题,尤其是动态知识图谱的发展,将知识的时序特征融入到知识图谱中,对于企业风险管理领域来说,知识图谱能够构建出包含风险知识时间信息的知识网络。因此,本文将动态知识图谱技术应用到企业风险动态管理的实践中,借助动态知识图谱来构建企业实体的风险知识网络,并以此来优化企业风险知识服务的质量和精准度。本文首先分析了企业风险知识服务体系的主要构成要素,并以此为依据提出企业风险动态管理的实践框架,以及基于知识图谱的企业风险知识服务模型,较为全面地阐述了企业风险知识在面向企业风险管理的知识服务中的运作流程;随后将动态知识图谱技术与企业风险动态管理的理念相互融合,分析了构建企业风险领域知识图谱的需求和整体技术流程,从而提出面向企业风险知识服务的动态知识图谱的构建模型,并详细介绍了模型中对企业风险知识资源进行知识抽取、知识融合以及动态知识推理的具体适用方法。本文充分利用互联网资源,爬取了企业公开的结构化数据和非结构化的文本数据,通过本文构建的模型实现了对企业风险知识资源的抽取、融合和动态推理,并以Neo4j图数据库和Mongo DB关系数据库分类存储知识,从而验证了模型的可行性,最后将构建的动态知识图谱应用于企业风险领域的问答系统,示例了该图谱在企业风险知识服务中的具体应用。本文为企业利用内部业务和运营数据构建内部知识图谱,或内外部联合的全局风险知识图谱提供了参考,对于企业提高风险应对能力,以及提升企业风险知识服务质量具有重要意义。

面向企业风险知识服务的动态知识图谱构建及应用研究

这是一篇关于企业风险动态管理,企业风险知识服务,动态知识图谱,智能问答应用的论文, 主要内容为近年来,伴随着社会主义市场经济的发展与完善,企业之间的竞争持续加剧,企业外部市场环境也日趋复杂。大数据环境下,企业风险管理面临信息爆炸的难题,与企业风险有关的信息和知识涉及到经济、产业、投资等覆盖全行业的方方面面,这对企业风险管理来说是一个巨大的挑战。尽管面向企业风险管理的知识服务为管理者提供了决策支持,但随着信息技术的发展以及数据体量的不断增加,如何存储和组织大规模多源异构的风险知识,并根据现有知识进行风险知识融合和动态知识推理,以提高风险知识服务平台的智能化和专业化水平,成为企业风险知识服务深入发展的关键问题。知识图谱以其强大的语义处理能力和开放互联能力,让大数据环境下的知识资源组织和管理更为高效。知识图谱作为一种知识整合和知识结构化表示的方法,是推动企业知识服务智能化发展的核心技术之一,能够有效解决智能搜索、智能问答、个性化推荐等基于知识的推理和决策问题,尤其是动态知识图谱的发展,将知识的时序特征融入到知识图谱中,对于企业风险管理领域来说,知识图谱能够构建出包含风险知识时间信息的知识网络。因此,本文将动态知识图谱技术应用到企业风险动态管理的实践中,借助动态知识图谱来构建企业实体的风险知识网络,并以此来优化企业风险知识服务的质量和精准度。本文首先分析了企业风险知识服务体系的主要构成要素,并以此为依据提出企业风险动态管理的实践框架,以及基于知识图谱的企业风险知识服务模型,较为全面地阐述了企业风险知识在面向企业风险管理的知识服务中的运作流程;随后将动态知识图谱技术与企业风险动态管理的理念相互融合,分析了构建企业风险领域知识图谱的需求和整体技术流程,从而提出面向企业风险知识服务的动态知识图谱的构建模型,并详细介绍了模型中对企业风险知识资源进行知识抽取、知识融合以及动态知识推理的具体适用方法。本文充分利用互联网资源,爬取了企业公开的结构化数据和非结构化的文本数据,通过本文构建的模型实现了对企业风险知识资源的抽取、融合和动态推理,并以Neo4j图数据库和Mongo DB关系数据库分类存储知识,从而验证了模型的可行性,最后将构建的动态知识图谱应用于企业风险领域的问答系统,示例了该图谱在企业风险知识服务中的具体应用。本文为企业利用内部业务和运营数据构建内部知识图谱,或内外部联合的全局风险知识图谱提供了参考,对于企业提高风险应对能力,以及提升企业风险知识服务质量具有重要意义。

基于时序信息和统计信息的动态知识图谱推理

这是一篇关于动态知识图谱,知识图谱推理,时序信息,统计信息,实体预测的论文, 主要内容为知识图谱是实体和关系组成的拓扑结构网络,它可以结构化表示现实世界中的知识。动态知识图谱是在经典知识图谱中加入了时间维度信息,在动态知识图谱上做实体或关系预测,属于知识图谱推理的方向之一,在推理中既要预测可能出现的实体也要预测实体对之间可能出现的关系。依据以往对动态知识图谱的研究,为了提升对动态知识图谱的推理能力,本文提出了一种基于时序信息和统计信息的动态知识图谱推理模型。模型考虑了动态知识图谱中事件的时序性和动态性,还把事件的历史统计信息考虑到了对知识图谱的推理中。对于动态知识图谱推理问题,本文提出的模型主要分为了三个模块,分别是时序信息预测模块、统计信息预测模块和事实预测模块。时序信息预测模块是基于动态知识图谱中事件的时序性和动态性进行推理;其中有三个部分,第一部分是聚合器,模型选用的是RGCN作为聚合器,RGCN可以聚合目标实体周围所有关系下的邻近信息,包括聚合目标实体作为主体和客体的邻近信息。第二部分是编码器,为了对知识图谱中的事件有更好的时序编码,本文选用的是LSTM作为编码器,它可以对聚合信息进行时序编码获得事件之间的时序相关性。第三部分是解码器,解码器的功能是对编码信息进行特征提取和多分类预测,得到待预测实体的概率。统计信息预测模块对于给定(s,r,?,t)任务进行实体o预测的问题,首先是在距离当前时刻前m个时间戳下,统计满足(s,r,?)条件下实体o的信息,然后基于统计的历史信息,进行实体o的预测。事实预测模块在得到基于时序信息预测和统计信息预测的预测结果后,为了对(s,r,?,t)有更准确的预测,对于两个模块的预测结果进行加权融合,获得待预测实体o的最终概率。因为RGCN作为聚合器会聚合目标实体周围所有关系下邻近信息,把目标实体作为客体的信息也进行聚合,那么这部分信息就可能对模型的推理造成影响。为了减少聚合信息中可能的干扰信息,本文提出使用邻近向量均值聚合器代替原有的RGCN聚合器,邻近向量均值聚合器只聚合以目标实体为主体的邻近信息,会让聚合的信息更加准确。实验证明,本文提出的模型通过结合事件时序信息和统计信息,并加权融合两种推理方式的预测概率,让模型在动态知识图谱推理上有了更好的效果。在部分数据集中,使用邻近向量均值聚合器由于减少了聚合信息中的干扰信息,让其获得了更好的推理结果。

基于用户行为传播的动态知识图谱推荐系统研究

这是一篇关于推荐系统,图注意力网络,动态知识图谱,托攻击检测,对偶学习的论文, 主要内容为在信息过载的互联网时代,推荐系统有着越来越重要的地位,它帮助用户在大量信息中找到所需要的内容。但是在推荐系统中常存在冷启动、数据稀疏的问题,用户隐含偏好挖掘不够深入,推荐结果实时性较差,缺乏系统的自我完善校正功能。目前由于数据获取较难,可用有效数据较少,用户行为偏好可提取性较差。推荐系统存在以下难点:(1)用户偏好灵活多变,选择偏差和曝光偏差,导致热门商品被反复推荐,用户潜在偏好挖掘不够深入,信息利用不够全面。(2)现有托攻击检测的研究大多依赖于用户的历史数据所呈现的显性虚假概貌去发现托攻击者。而社交网络中存在的用户繁衍传播和社交反馈性等重要特征没有被应用到托攻击者检测中。(3)冷启动和数据稀疏通常是不可避免的,同时会存在边信息不可用的情况。深度学习应用于推荐系统中依赖于大数据,限制了其在许多场景中的应用。为了提高推荐结果多样性、自适应性、安全性和准确性,本文提出了基于用户行为传播的动态知识图谱推荐系统研究,具体工作包括:(1)提出构建异构网络中动态知识图谱推荐系统(A Recommendation Approach Based on Heterogeneous Network and Dynamic Knowledge Graph,HN-DKG),根据用户在跨领域多平台的复合行为,挖掘多模态异质节点,构建异构网络图,进而建立基础知识图谱;利用图注意力网络(Graph attention network,GAT)组件的多头注意力机制,重点关注时序信息和知识图谱的图结构信息,实现多模态异质节点的关系增强,构建动态知识图谱;利用改进的Ripple Net发现用户的潜在兴趣,对预测商品评分并排序,其中设定了用户种子簇、传播阻断以及随机种子的机制,使得推荐结果更加准确、多样。采用公测数据集,与基线算法进行对比,实验表明所提方法在推荐的有效性和多样性上有较好的表现。另外消融实验也证明算法中各环节的有效性。(2)提出基于用户自治体的社交网络推荐安全检测方法(A security detection approach based on autonomy-oriented user sensor in social recommendation network,AOUSD),将用户模拟为具有自治能力的社会传感器。基于用户自治传感器在社交网络中的信息传播、信息反馈和信息消逝等机制构建社交推荐中用户的交互行为模型,并考虑与事件相关的可变时间函数生成基于社会传感器的用户关系动态知识图谱。采用层次聚类方法生成初步的可疑候选组,在动态知识图谱上应用图团体检测聚类方法来获取托攻击者。在Netlogo平台进行模拟仿真托攻击环境,测试AOUSD的性能,采用Amazon数据集进行实验,将所提出的AOUSD算法与其他算法进行比较。实验结果证明了所提AOUSD方法在托攻击检测效率和准确性上的优势。(3)提出基于对偶学习的混合推荐方法(A dual learning-based recommendation approach,DLRA),DLRA将推荐任务视为两个独立的子任务——主任务和对偶任务,这两个任务在DLRA中表现出很强的对偶性。最初的任务是以物品为中心的,目的是找到那些对物品评价较高的用户,而对偶任务是以用户为中心的,目的是向用户推荐最喜欢的物品。这两个任务在推荐空间、选择概率和推荐依据上具有很强的对偶性。基于Movielens和Book Crossing的数据集,模拟了数据稀疏和冷启动推荐场景。实验结果表明,DLRA在标记数据稀疏的情况下获得了显著的改善,并优于其他混合推荐方法和深度学习策略,具有更小的预测误差和更好的推荐精度。

基于动态知识图谱和强化学习的可解释的推荐系统

这是一篇关于动态知识图谱,强化学习,可解释性,推荐系统的论文, 主要内容为在当今社会中,推荐系统已经深入到生活的方方面面,日常生活中使用的互联网应用通常都会将推荐系统作为关键的部分来给用户提供符合其偏好的项目。但是随着生活越来越多地与互联网进行绑定,以往的单纯以算法论英雄的方式已经不足以满足社会的需要。而针对现有的推荐系统,即使管理员发现推荐结果出现了问题,比如给未成年人推荐了并不合适的视频或商品,由于推荐系统的黑盒特性,管理员也难以对系统进行有效的调整。因此完全把握推荐的过程,实现推荐系统的可解释性,对于当前越来越关注社会责任的企业来说就变得极为重要。本文为了解决目前推荐系统所面临的可解释性不足的问题,对可解释的推荐系统进行研究,确定了使用目前最先进的基于知识图谱和强化学习的方案构建推荐系统的总体架构。同时为了进一步提高系统的实用性,解决静态知识图谱向量化模型在更新过程中耗费大量时间和资源的问题,本文对知识图谱向量化模型进行研究,选择应用动态知识图谱向量化模型Dynamic Knowledge Graph Embedding(DKGE),最终设计并实现了一套基于动态知识图谱和强化学习的可解释的推荐系统。该系统让强化学习智能体在知识图谱中进行搜索,将最终搜索到的目标节点作为用户的推荐结果,同时将搜索路径作为推荐结果的推理路径。为了提高推荐的准确率,使用Beam Search算法在多条搜索路径中选择概率最大的路径作为推荐结果。同时为了方便用户对推荐系统的使用与交互,以及对知识图谱结构和信息的搜索,本文以推荐系统为核心,构建了一套网站系统,提供便捷的界面供用户查看和使用。本系统通过对知识图谱和推荐系统的研究与分析,应用基于知识图谱和强化学习的推荐系统架构解决了当前推荐系统的可解释性不强的问题;应用动态知识图谱向量化模型DKGE解决了知识图谱在应用过程中难以更新的问题。满足了企业需要的推荐系统可解释,以及在训练过程中节省时间和资源的需求。

动态知识图谱表示算法及知识感知推荐方法研究

这是一篇关于动态知识图谱,知识图谱表示,门控循环单元,推荐系统,注意力机制的论文, 主要内容为近年来,知识图谱凭借着强大的语义处理能力与开放互联能力受到广泛关注。知识图谱以结构化形式描述客观世界中实体及实体间关系,方便了对海量信息的组织、管理、理解与利用。然而,知识图谱的结构化数据难以直接应用于下游任务,需依赖知识图谱表示方法对结构化信息进行建模。知识图谱表示可以在保持图谱结构信息的同时,将实体及关系表示为稠密低维实值向量,为后续知识图谱的应用——如解决推荐系统数据稀疏问题——奠定了基础,具有重要研究意义。本文在已有知识图谱研究成果的基础上,针对动态知识图谱表示算法及知识图谱在推荐系统中的应用展开研究,主要工作包括以下两点:一、考虑到现有知识图谱表示方法大多忽略了动态知识图谱中结构化信息的历史变化趋势,而该变化趋势通常会影响实体及关系的表示,本文结合门控循环单元(GRU)提出一种新的动态知识图谱表示方法TDG2E。具体而言,该方法通过切割动态知识图谱获得不同时间节点的子图,并使用GRU捕获子图间的时序依赖关系,从而准确建模动态知识图谱的演化过程。同时,针对时间间隔不均衡问题,TDG2E通过在GRU中添加时间间隔门的方式消除了间隔不均衡的负面影响。本文通过在真实公开数据集YAGO11k及Wikidata12k上的大量实验证明了TDG2E在Mean Rank和Hit Rate指标上均优于现有知识图谱表示方法。二、针对现有融合知识图谱来解决推荐系统数据稀疏问题的方法,在引入知识图谱中实体及关系来表示推荐系统中用户时,大多忽略了不同引入实体的重要性问题,本文结合注意力机制提出一种新的知识感知推荐方法AKUPM。对于给定用户,该方法从其购买产品出发,沿着知识图谱关系进行逐层搜索,不断触达与该用户相关联的实体。然后利用注意力与自注意力机制计算不同实体之间的相关关系,并据此赋予不同实体不同权重,以突出与用户喜好信息相关的实体,从而提高用户喜好建模的准确性。为验证模型有效性,本文基于Movie Lens-1M和Book-Crossing两个主流数据集设计并进行了广泛的对比实验。实验结果表明AKUPM在AUC、ACC和Recall@top-K等指标上均优于现有推荐方法。

个人快速交通的协同智能控制与优化

这是一篇关于个人快速交通系统,动态知识图谱,虚拟编队,滚动优化,粒子群算法的论文, 主要内容为随着机动车保有量逐年递增,我国大中城市交通拥堵的问题愈加严峻,给人们出行带来了新的挑战。现阶段城市中已成形的公共交通体系,一方面不能有效避免拥挤,另一方面不能满足人们个性化的出行需求。为了改善大中城市人们的出行现状,缓解城市道路交通的压力,提出将个人快速交通(Personal Rapid Transit,PRT)作为大中城市未来出行方式的一种发展方向。PRT系统是一种可以实现点对点运输,能够满足出行个性化需求,致力于缓解城市交通拥堵现象的新型智能交通运输模式。然而传统PRT系统因其单个车辆座位数量有限,且行驶环境信息复杂多变,难以满足城市大运量的交通运输需求。针对该问题提出了一种新型协同智能控制运行方案,旨在通过使PRT车辆在行驶线路上形成虚拟编队,从而在保证安全的前提下有效减小跟车距离,提高PRT系统线路的通过效率,达到提高运量的目的。本文主要工作内容如下:(1)通过对多智能体的原理、组织构成和智能体之间信息交互机制的研究,分析了多智能体系统智能化、分布式的特点,结合PRT系统的运行要求,建立了PRT车辆协同运行控制框架。(2)通过对PRT车辆相关实体运行特征进行分析和刻画,分析车辆的状态及知识表示,确定PRT车辆的行为和行为规则,研究构成虚拟编队的智能车辆个体之间的自组织交互,采用以自底向上的方式建立动态知识图谱以辅助车辆运行决策。(3)针对PRT车辆在行驶线路上行成虚拟编队的问题,通过对多车编队运行场景和控制系统结构的分析,研究PRT车辆的移动特性、车辆间的相互影响和车辆跟随行驶控制模式,采用领航者-跟随者策略(Leader-follower)在车辆行驶过程中形成虚拟编队运行。(4)在基于动态知识图谱以辅助车辆运行决策和领航者-跟随者策略形成虚拟编队模型的基础上,提出将滚动优化策略(Rolling Optimization Strategy,ROS)与粒子群算法(Particle Swarm Optimization,PSO)结合对车辆的加速度、减速度进行滚动优化调整,缩短PRT车辆形成虚拟编队的运行时间,进一步提高PRT系统的运输能力。据实验结果显示,在十辆车编组情况时,该协同智能控制运行方案使PRT车辆形成虚拟编队所耗时间平均减少了38%,每小时运输客流量平均提高了1.5倍,表明该协同运行方案保证了PRT系统运行的高效性和安全性,符合低碳出行,绿色发展的需要。

基于动态知识图谱和强化学习的可解释的推荐系统

这是一篇关于动态知识图谱,强化学习,可解释性,推荐系统的论文, 主要内容为在当今社会中,推荐系统已经深入到生活的方方面面,日常生活中使用的互联网应用通常都会将推荐系统作为关键的部分来给用户提供符合其偏好的项目。但是随着生活越来越多地与互联网进行绑定,以往的单纯以算法论英雄的方式已经不足以满足社会的需要。而针对现有的推荐系统,即使管理员发现推荐结果出现了问题,比如给未成年人推荐了并不合适的视频或商品,由于推荐系统的黑盒特性,管理员也难以对系统进行有效的调整。因此完全把握推荐的过程,实现推荐系统的可解释性,对于当前越来越关注社会责任的企业来说就变得极为重要。本文为了解决目前推荐系统所面临的可解释性不足的问题,对可解释的推荐系统进行研究,确定了使用目前最先进的基于知识图谱和强化学习的方案构建推荐系统的总体架构。同时为了进一步提高系统的实用性,解决静态知识图谱向量化模型在更新过程中耗费大量时间和资源的问题,本文对知识图谱向量化模型进行研究,选择应用动态知识图谱向量化模型Dynamic Knowledge Graph Embedding(DKGE),最终设计并实现了一套基于动态知识图谱和强化学习的可解释的推荐系统。该系统让强化学习智能体在知识图谱中进行搜索,将最终搜索到的目标节点作为用户的推荐结果,同时将搜索路径作为推荐结果的推理路径。为了提高推荐的准确率,使用Beam Search算法在多条搜索路径中选择概率最大的路径作为推荐结果。同时为了方便用户对推荐系统的使用与交互,以及对知识图谱结构和信息的搜索,本文以推荐系统为核心,构建了一套网站系统,提供便捷的界面供用户查看和使用。本系统通过对知识图谱和推荐系统的研究与分析,应用基于知识图谱和强化学习的推荐系统架构解决了当前推荐系统的可解释性不强的问题;应用动态知识图谱向量化模型DKGE解决了知识图谱在应用过程中难以更新的问题。满足了企业需要的推荐系统可解释,以及在训练过程中节省时间和资源的需求。

基于动态知识图谱和强化学习的可解释的推荐系统

这是一篇关于动态知识图谱,强化学习,可解释性,推荐系统的论文, 主要内容为在当今社会中,推荐系统已经深入到生活的方方面面,日常生活中使用的互联网应用通常都会将推荐系统作为关键的部分来给用户提供符合其偏好的项目。但是随着生活越来越多地与互联网进行绑定,以往的单纯以算法论英雄的方式已经不足以满足社会的需要。而针对现有的推荐系统,即使管理员发现推荐结果出现了问题,比如给未成年人推荐了并不合适的视频或商品,由于推荐系统的黑盒特性,管理员也难以对系统进行有效的调整。因此完全把握推荐的过程,实现推荐系统的可解释性,对于当前越来越关注社会责任的企业来说就变得极为重要。本文为了解决目前推荐系统所面临的可解释性不足的问题,对可解释的推荐系统进行研究,确定了使用目前最先进的基于知识图谱和强化学习的方案构建推荐系统的总体架构。同时为了进一步提高系统的实用性,解决静态知识图谱向量化模型在更新过程中耗费大量时间和资源的问题,本文对知识图谱向量化模型进行研究,选择应用动态知识图谱向量化模型Dynamic Knowledge Graph Embedding(DKGE),最终设计并实现了一套基于动态知识图谱和强化学习的可解释的推荐系统。该系统让强化学习智能体在知识图谱中进行搜索,将最终搜索到的目标节点作为用户的推荐结果,同时将搜索路径作为推荐结果的推理路径。为了提高推荐的准确率,使用Beam Search算法在多条搜索路径中选择概率最大的路径作为推荐结果。同时为了方便用户对推荐系统的使用与交互,以及对知识图谱结构和信息的搜索,本文以推荐系统为核心,构建了一套网站系统,提供便捷的界面供用户查看和使用。本系统通过对知识图谱和推荐系统的研究与分析,应用基于知识图谱和强化学习的推荐系统架构解决了当前推荐系统的可解释性不强的问题;应用动态知识图谱向量化模型DKGE解决了知识图谱在应用过程中难以更新的问题。满足了企业需要的推荐系统可解释,以及在训练过程中节省时间和资源的需求。