基于知識圖譜的智能信息推薦模型構建仿真

楊雅志，鐘 勇，李 駿

(1. 中國科學院成都計算機應用研究所，四川 成都 610041；2. 成都工業學院，四川 成都 611730；3. 中國科學院大學，北京 100049)

1 引言

當前，網絡數據量的飛速增長不僅加快了信息傳輸速度，也對用戶造成了信息過載問題，無法高效提取興趣信息。信息推薦技術不僅能夠為用戶提供可用的信息服務，且在用戶沒有明確描述需求時，只要通過用戶對其它物品的歷史行為信息，就能夠準確挖掘其個性化需求，根據興趣偏好，為用戶主動提供所需要的信息。信息推薦技術作為網絡個性化服務的關鍵環節之一，具有重要的研究意義與探索價值，也因此涌現出眾多相關學者對信息推薦技術展開研究。

文獻[1]將用戶經歷作為隱式反饋的累積數量定義，提出一種平衡系數的自適應網絡智能信息推薦模型。采用用戶歷史經歷數據替代平衡系數，在模型中添加阻尼系數，實現深入優化，最后有效結合阻尼系數與用戶經歷，架構智能信息自適應推薦模型。但是該模型的智能效果較差，應用適應性不理想。文獻[2]提出基于知識網絡的信息推薦模型。設定最近鄰優先的候選知識選擇方案，結合最大可學習支撐度優先的未學知識推薦算法以及知識關聯結構，對用戶知識需求進行挖掘。但是該模型耗時較長，知識推薦時間沒有得到明顯縮短。文獻[3]提出基于矩陣分解模型的協同過濾推薦模型。將矩陣分解與協同過濾結構進行融合，得到耦合物品屬性信息相似度的推薦模型。但是該模型的應用過程難度較高，無法進行廣泛應用。

為解決傳統方法存在的問題，提出基于知識圖譜的智能信息推薦模型。采用三元組構成的知識網絡與本體論，設計知識圖譜與結構化模型；組建由課程實體間關系構成的知識圖譜網絡結構；利用FP-Growth挖掘算法，獲取頻繁項集合與關聯規則，動態更新知識圖譜，引入信息推薦路徑達成度與SVR檢測模型完成推薦。

2 知識圖譜分析

將知識圖譜劃分成數據層與模式層。利用SPO三元組[4]表示各知識，通過知識網絡生成知識圖譜；采用本體論對結構化概念模板進行架構，以有效控制知識冗余。邏輯結構與構建技術共同組成知識圖譜，其構建技術部分如圖1所示。

圖1 知識圖譜技術結構示意圖

技術模塊主要分為構建階段與流程動態更新兩部分，構建階段是在初始數據內采用一些策略對知識事實進行提取，并將其以元素形式存儲到知識庫[5]的邏輯結構中；而更新過程則包含三個階段：信息提取、知識匯總與知識處理。

3 基于知識圖譜的智能信息推薦模型構建

智能學習信息推薦模型可以通過分析與挖掘學習數據，獲取相關有效信息，進一步輔助與指導教學活動的順利進行。該模型的設計目標是為不同的學習者提供與之相匹配的學習路徑與學習內容，實現因材施教的個性化學習策略。

3.1 模型總體設計原理

圖2所示為經過擴展與改進傳統各單元模型獲取知識圖譜下智能信息推薦模型，結構部分有領域知識模型、學習者模型以及自適應引擎模型三個模塊。

圖2 基于知識圖譜的智能信息推薦模型結構示意圖

推薦模型可用性的判定依據為其工作流程對用戶的適用性，分別以模型管理者與學習者的角度，對基于知識圖譜的智能信息推薦模型進行分析。

針對管理者方面，推薦模型應具備資源上傳與管理等功能，若想防止該模型出現冷啟動[6]問題，則需要在資源上傳前進行初始知識圖譜的架構，采用存儲于資源數據庫里的資源與知識圖譜模型數據，為自適應引擎模型提供可調用數據，在學習資源得到一定積累后，通過關聯規則算法挖掘出知識之間相關性，從而動態更新知識圖譜；

針對學習者方面的運行流程則相對繁瑣，若首次使用推薦模型，則需要通過注冊基本信息，完成學習者模型的架構，為了便于今后的信息推薦，用戶需在下一次使用時，先在登錄界面進行相關信息的匹配，然后，依據個人信息選擇學習與測試內容，模型通過分析處理采集到的學習數據與測試成績，檢測學習者的認知水平，將其與知識圖譜進行結合，匹配可達學習路徑，根據推算的各學習路徑達成度，實現路徑推薦列表的創建，從而令學習者的進一步學習更加便捷，而且，基于學習者模型的數據，推薦模型將完成諸如知識點掌握程度與學習路徑等學習者能力圖譜的架構，使學習者的下一步學習內容選取，能夠通過比較能力圖譜與知識圖譜得以實現。

3.2 基于知識圖譜的智能信息推薦模型的構建

采用知識圖譜對知識實體、實體間關系以及知識特性進行知識表達，是領域知識模型的主要功能。由于學習階段的最小知識體系單位是課程，知識圖譜的主要研究目標是課程實體。

利用下列公式對知識表達三元組進行描述

F={E，R，T}

(1)

式中，E為全部課程實體集合，R為各課程實體間的關系集合，T為課程實體內部特征集合。

圖3所示為課程實體間關系所構建的知識圖譜網絡框架示意圖。

圖3 知識圖譜網絡框架示意圖

圖3中各代數式的含義如下：具體課程實體為Ei，課程實體Ei和Ej的映射關系為Rij，與集合R相對應，課程實體Ei內部特征集合為ETi。

領域知識模型的工作流程如圖4所示，初始架構流程為圖4中的方框區域，框外區域則主要用于動態更新知識模型。

圖4 領域知識模型結構示意圖

動態更新知識圖譜的目的是提升知識圖譜的適用性，需要采用關聯規則的FP-Growth[7]挖掘算法來完成，通過壓縮存儲事務數據集，對FP-Tree進行架構，從而獲取全部頻繁項集合與關聯規則。

FP-Tree的創建步驟為：對數據庫D進行掃描，達成各實體支持度的運算，按照支持度降序對所得的頻繁1-項集合進行排序，獲取頻繁項集合L；標記tree根節點T為“null”；迭代運算各學習路徑Di；按照頻繁項集合L的排列順序，對各學習路徑Di內的實體進行求取，獲取頻繁項集合，第一個實體為p，除此之外，頻繁項集其它實體構成的項表為P；實現函數insert_tree([p|P]，T)的調用。

FP-Tree的挖掘[8]流程為：空值是集合L的初始值；若tree僅有一個學習路徑P，那么，對該路徑實體所有組合進行迭代運算，并用β表示，將β內實體極小的支持度值作為實體集合α∩β的支持度，最后返回到集合L與集合α∩β的交集；反之，則用αf表示tree頭表內的各頻繁項，將αf的支持度作為實體集合β=αf∪α的支持度，完成β條件模式基B的創建，從而對β的條件樹treeβ進行求取，如果滿足treeβ≠Φ，那么界定fp_growth(tree，β)，并停止挖掘。

智能信息推薦該模型主要組成部分為學習者的基本信息與知識狀態兩大模塊，用于對學習者當前的知識狀態結構進行表征，推薦對象的個體屬性與認知[9]性能。

當已知測試題的所有參數，評估學習者的認知水平時，若作答m個試題的學習者數量為N，θα為第α個推薦對象的權重指標，則1≤α≤N，第j個推薦信息的區分度、數據相似性以及猜測系數分別是ai、bi和ci，如果試題的評分標準為0～1，那么，表達式如下所示

(2)

利用下列公式對認知水平Uα學習者對第m個試題的回答結果進行描述

Uα=(Uα1，Uα2，…，Uαm)

(3)

其中，1≤α≤N。

所以，推導出關于m個推薦信息N個用戶回答結果，其矩陣函數U如下

(4)

式中，Uαj是隨機變量，取值0或1。

若uαj為觀測值，認知水平θα的推薦對象權重指標第j個屬性為Pαj，則

Pαj=P(uαj×1)

(5)

如果推薦內容符合局部獨立性假設條件，那么，學習者回答結果概率L的表達式如下所示

(6)

設定待估算的認知水平數值為似然函數L極大值的自變量數值，由于L與lnL的最大值點一致，所以，取L的對數得出下式

(7)

使lnL的參數偏導為0，則有

(8)

將上列兩式代入合并，得出下列表達式

(9)

采用牛頓-拉夫遜迭代法估算θα，下列公式為g(θα)的表達式

(10)

根據上式推導出下列計算認知水平的迭代公式

(11)

迭代初始值θα0表達式如下所示

(12)

采用下列公式對迭代終止規則進行描述

|θα(k+1)-θαk|<ε

(13)

該模型為實現推薦模型的重要環節，功能是對前兩個模型進行推薦路徑與推薦內容進行匹配。

利用推薦完成的平均概率來界定路徑[10-11]達成度，下列公式為定義表達式

(14)

式中，路徑含有的總數據量為n，相似識別對象第i個推薦內容相關度為Ci。

根據所得的達成度，為數據推薦提供最優推薦路徑。

自適應引擎模型[12]中SVR模型的檢測階段相當于機器學習的階段，主要用于解決分類與回歸問題。

在智能推薦模型中信息任意選取n個學習者屬性x1，x2，…，xn，通過預處理得到訓練樣本[x1，x2，…，xn，path_com]，經過訓練與優化SVR模型的參數，依據輸入元組預估路徑達成度。若[x1，x2，…，xn]為預估樣本，則預估函數表達式為

F=f(x1，x2，…，xn)

(15)

4 實驗分析

為評估論文提出的智能信息推薦模型應用性能，實驗隨機抽取500名用戶作為實驗樣本，此次試驗將與文獻[1]模型、文獻[2]模型進行對比。實驗指標為模型的推薦路徑完成度以及信息推薦召回率作為評價指標。模型的推薦路徑完成度越高，說明信息推薦的成功率越高。推薦召回率越高說明模型應用的精度越高，即模型的應用效果越好。具體對比結果如圖5、圖6所示。

圖5 不同模型的信息推薦路徑完成度對比

分析圖5的三種模型推薦路徑完成度的波動趨勢可知，隨著用戶數量的增多，推薦路徑的完成度均出現了下降情況，但是傳統方法的下降幅度更大，而所提模型在用戶人數較多情況下，仍然保持較高推薦路徑的完成度，說明即使用戶數量較多，所提模型也能夠成功按照最優推薦路徑完成信息推薦也說明了所提方法具備較好穩定性。

為進一步驗證本文模型的實際推薦精度，在不同用戶數量情況下，利用所提模型與現有模型推薦路徑進行對比并記錄，具體對比結果如圖6所示。

圖6 不同模型推薦召回率

通過圖6的召回率波動趨勢可知，傳統方法召回率最低值為0.7，而所提模型推薦召喚率峰值大于0.9，遠高于傳統模型，這是因為所提模型利用FP-Growth挖掘算法，獲取頻繁項集合與關聯規則，知識圖譜的動態更新能夠有效濾掉大誤差推薦信息。所以所提模型隨著用戶人數增加，召回率波動幅度較為平穩，說明所提模型具備較好穩定性。

5 結論

為實現用戶的個性化信息推薦、加強體驗感與信息提取的可靠性，提出基于知識圖譜的智能信息推薦模型。通過數據層、模式層得到的邏輯結構與流程動態更新，改進并擴展傳統單元模型，基于初始知識圖譜模型，采用知識表達三元組，根據用戶與推薦內容關系的知識圖譜網絡結構進行構建，按照支持度降序排列所得頻繁項集合，實現函數調用，通過迭代運算路徑實體的所有組合形式，達成全部頻繁項集合與關聯規則的挖掘，構建并完善智能信息推薦模型。實驗結果表明：所提方法推薦準確率及效率遠遠高于現有方法，具有較好的魯棒性及實際應用價值。該模型為未來的相關研究奠定了良好的數據基礎，擁有重要的現實意義與實踐價值。