融合知识图谱与神经张量网络的需求响应智能推荐

针对现有协同过滤智能推荐算法在海量数据和复杂电网结构下存在数据稀疏性和冷启动问题,提出一种融合知识图谱与神经张量网络的需求响应智能推荐模型。该模型核心是一个知识驱动的神经张量网络(neural tensor network,NTN)表示学习模型。通过用电数据集抽取用户用电行为知识三元组,与预先抽取的结构化先验知识融合构建知识图谱,利用NTN表示学习模型将知识图谱中实体嵌入低维稠密向量空间解决数据稀疏性问题;基于知识图谱中的先验知识实现新用户需求响应智能推荐,有效解决冷启动问题;为了减少推荐时延问题,文章通过偏好传播(RippleNet)算法缩小候选用户实体集,提高了模型效率。基于用电公共数据集对模型进行算例验证,结果表明基于NTN模型的需求响应推荐算法可以有效克服数据稀疏性和冷启动问题,相对于现有基于协同过滤的需求响应智能推荐算法在推荐准确率、召回率等指标上有显著提升。