# Recommendation system based on knowledge graph embedding
基于knowledge graph embedding的推荐系统
本系统是一个基于knowledge graph embedding的商品推荐系统,以下是对该系统的详细介绍,
基本代码都是自己所写,TransE和Rescal方法实现部分是照着论文与相关代码自己进行的复现
,并且相关代码中都有我写的一些注释。
1.generate_data.py是用于生成模拟数据,在进行真实使用时可以参照所生成模拟数据的格式进行数据录入
2.data文件夹下需要有entities.txt以及relations.txt两个数据,他们分别是实体(people和items)的名称以及索引号,以及关联的名称以及索引号,关联也可以有多种,
然后该文件夹下还应该有train.txt,valid.txt和test.txt,作为模型训练的依托,其中的neg.txt可要可不要,这个文件并不参与模型的训练过程
3.dataset.py文件主要是模型训练中处理数据的代码,model.py是我复现的两种knolwedge graph embedding的方法,在训练中进行调用
4.main.py是主函数,其中要修改成Rescal方法可以将TransE替换成Rescal,其他的地方可以设置训练所用的超参数
5.run.py是用于对模型的超参数进行设置,采用的是五折交叉验证,在求打分验证时可以采用不同的scoring 函数,注释后面写有“Rescal”的
6.use.py是用所有样本进行训练,对所有负样本地方打分并排序,取前100个打分进行输出(数量可选)
7.run.sh是在linux系统下使用的,如是windows系统,可以直接吧代码中os.system('bash run.sh')改为os.system('python main.py'),具体超参数在main中设置即可
8.如果在run.py中发现如何调超参数模型效果都不理想,可能是由于数据过于简单或者不真实所造成。
Recommendation system based on knowledge graph embedding
This system is a product recommendation system based on knowledge graph embedding. The following is a detailed introduction to the system.
The basic code is written by myself. The implementation part of the TransE and Rescal methods is based on the paper and the relevant code.
, And there are some comments I wrote in the relevant code.
1.generate_data.py is used to generate simulation data, and when it is used in real, you can refer to the format of the generated simulation data for data entry
2.data folder needs entities.txt and relationships.txt two data, they are the name of the entity (people and items) and the index number, and the name and index of the association, there can be multiple associations,
Then there should be train.txt, valid.txt, and test.txt in this folder as the basis for model training. Neg.txt is required or not. This file does not participate in the training process of the model.
3.dataset.py file is mainly the code for processing data in model training. Model.py is the two knolwedge graph embedding methods I reproduced, which are called during training.
4.main.py is the main function, where you need to modify the Rescal method to replace TransE with Rescal, and you can set the hyperparameters used for training elsewhere.
5.run.py is used to set the hyperparameters of the model. It uses 5-fold cross-validation. Different scoring functions can be used when scoring and verifying. The "Rescal"
6.use.py is training with all samples, scoring and sorting all negative samples, taking the first 100 scores for output (the number is optional)
7.run.sh is used in the Linux system. If it is a Windows system, you can directly change os.system ('bash run.sh') in the code to os.system ('python main.py'). The specific hyperparameters Just set it in main
8. If it is found in run.py how to adjust the hyperparameter model is not ideal, it may be caused by the data being too simple or unreal.
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
基于知识图谱的协同过滤推荐向用户推荐个性化的学习资源源码.zip 【1】项目代码完整且功能都验证ok,确保稳定可靠运行后才上传。欢迎下载使用!在使用过程中,如有问题或建议,请及时私信沟通,帮助解答。 【2】项目主要针对各个计算机相关专业,包括但不限于计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网等领域的在校学生、专业教师或企业员工使用。 【3】项目具有较高的学习借鉴价值,不仅适用于小白学习入门进阶。也可作为毕设项目、课程设计、大作业、初期项目立项演示等。 【4】如果基础还行,或热爱钻研,可基于此项目进行二次开发,DIY其他不同功能,欢迎交流学习。 【特别强调】 项目下载解压后,项目名字和项目路径不要用中文,建议解压重命名为英文名字后再运行!遇到问题先搜索下,一般都是环境问题,当然也可以私信沟通,祝顺利! 基于知识图谱的协同过滤推荐向用户推荐个性化的学习资源源码.zip基于知识图谱的协同过滤推荐向用户推荐个性化的学习资源源码.zip基于知识图谱的协同过滤推荐向用户推荐个性化的学习资源源码.zip基于知识图谱的协同过滤推荐向用户推荐个性化的学习资源源码.zip基于知识图谱的协同过滤推荐向用户推荐个性化的学习资源源码.zip基于知识图谱的协同过滤推荐向用户推荐个性化的学习资源源码.zip基于知识图谱的协同过滤推荐向用户推荐个性化的学习资源源码.zip基于知识图谱的协同过滤推荐向用户推荐个性化的学习资源源码.zip基于知识图谱的协同过滤推荐向用户推荐个性化的学习资源源码.zip基于知识图谱的协同过滤推荐向用户推荐个性化的学习资源源码.zip基于知识图谱的协同过滤推荐向用户推荐个性化的学习资源源码.zip
资源推荐
资源详情
资源评论
收起资源包目录
基于知识图谱的协同过滤推荐向用户推荐个性化的学习资源源码.zip (98个子文件)
Presentation of results (large visualization screen)
可视化
学习行为分析(含高等数学).json 299KB
饼图(含数据结构评价.json 205KB
饼图(含高等数学.json 198KB
学习行为(含总体评价).json 307KB
饼图(含总体评价.json 206KB
学习行为分析(数据结构词云).json 306KB
项目说明.md 595B
Modeling Learning Behavior
Information inputs.ipynb 82KB
New curriculum learning competencies
test_capacity.py 2KB
text_similarity.py 3KB
attitude toward learning.ipynb 77KB
information perception.ipynb 75KB
Social Interaction Dimensions
social_analysis3.py 7KB
visualization.py 1KB
Reception of information.ipynb 136KB
Learning competencies for this course
linear_analysis.py 4KB
Calculate the average score of the assignment.py 2KB
work_final.py 808B
Five-dimensional user profile output.ipynb 47KB
text analysis
文本分析-高等数学.ipynb 182KB
文本分析-数据结构.ipynb 255KB
文本分析-总课程.ipynb 257KB
information processing.ipynb 87KB
Collaborative Filtering Recommendations Based on Knowledge Graph
Recommendation-system-based-on-knowledge-graph-embedding-master
summary
events.out.tfevents.1681201167.LAPTOP-B0LOR470 213KB
events.out.tfevents.1681211002.LAPTOP-B0LOR470 265KB
events.out.tfevents.1681201191.LAPTOP-B0LOR470 721KB
events.out.tfevents.1681211785.LAPTOP-B0LOR470 213KB
knowledge graph embedding的商品推荐系统
main.py 2KB
TransE_relation_emb.npy 928B
说明.txt 1KB
dataset.py 5KB
model.py 29KB
posscore.npy 5KB
run.py 7KB
negposscore.npy 110KB
generate_data.py 839B
dataset.pyc 5KB
use.py 5KB
run.sh 248B
TransE_entity_emb.npy 1.15MB
README.md 4KB
Semantic Mining Based on Graph Approach
TextGrapher
GraphShow.py 3KB
graph_show.html 3KB
font
msyh.ttf 14.35MB
build
echarts-optimize-conf.js 4KB
source
echarts-all.js 2.09MB
echarts.js 897KB
chart
tree.js 26KB
eventRiver.js 15KB
radar.js 38KB
pie.js 34KB
funnel.js 25KB
heatmap.js 11KB
bar.js 33KB
k.js 14KB
map.js 854KB
chord.js 51KB
wordCloud.js 88KB
gauge.js 23KB
force.js 65KB
scatter.js 74KB
venn.js 28KB
treemap.js 25KB
line.js 38KB
dist
echarts-all.js 950KB
echarts.js 355KB
chart
tree.js 11KB
eventRiver.js 6KB
radar.js 14KB
pie.js 12KB
funnel.js 9KB
heatmap.js 5KB
bar.js 10KB
k.js 5KB
map.js 441KB
chord.js 19KB
wordCloud.js 35KB
gauge.js 9KB
force.js 29KB
scatter.js 29KB
venn.js 9KB
treemap.js 9KB
line.js 13KB
VIS
dist
vis.css 30KB
vis.min.css 21KB
vis.map 763KB
vis.min.js 569KB
vis.js 1.46MB
sentence_parser.py 7KB
model
模型下载链接.txt 92B
text_grapher.py 18KB
__pycache__
keywords_textrank.cpython-36.pyc 3KB
sentence_parser.cpython-38.pyc 5KB
GraphShow.cpython-36.pyc 3KB
sentence_parser.cpython-36.pyc 5KB
README.md 2KB
keywords_textrank.py 4KB
test.csv 812B
共 98 条
- 1
资源评论
.whl
- 粉丝: 3802
- 资源: 4617
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 基于javaweb的网上拍卖系统,采用Spring + SpringMvc+Mysql + Hibernate+ JSP技术
- polygon-mumbai
- Chrome代理 switchyOmega
- GVC-全球价值链参与地位指数,基于ICIO表,(Wang等 2017a)计算方法
- 易语言ADS指纹浏览器管理工具
- 易语言奇易模块5.3.6
- cad定制家具平面图工具-(FG)门板覆盖柜体
- asp.net 原生js代码及HTML实现多文件分片上传功能(自定义上传文件大小、文件上传类型)
- whl@pip install pyaudio ERROR: Failed building wheel for pyaudio
- Constantsfd密钥和权限集合.kt
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功