(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221096493 6.0 (22)申请日 2022.08.12 (71)申请人 西安交通大 学 地址 710049 陕西省西安市碑林区咸宁西 路28号 (72)发明人 鲍军鹏　许宏才　侯力方　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 专利代理师 段俊涛 (51)Int.Cl. G06Q 30/06(2012.01) G06F 16/9536(2019.01) G06F 16/906(2019.01) G06F 16/36(2019.01) G06N 3/04(2006.01) (54)发明名称 一种在图神经网络中引入物品类别信息的 推荐方法 (57)摘要 一种在图神经网络中引入物品类别信息的 推荐方法， 确定输入数据并构建潜在因子模块、 类别信息模块、 类别加权聚合模块和评分预测模 块， 输入数据为表现用户 、 物品以及辅助信息之 间交互关系的用户 ‑物品交互图， 潜在因子模块 对用户选 择商品的意图进行建模； 类别信息模块 获得物品的类别信息； 类别加权聚合模块将知识 图谱和物品先验知识向量进行加权聚合； 评分预 测模块将潜在因子模块和类别加权聚合模块得 到用户和物品的向量表示进行整合计算， 在给定 交互行为集合以及知识图谱上学习一个函数， 该 函数能够预测一个用户有多大可能性购买或选 择一个物品。 本发明在推荐场景中引入物品的类 别信息， 既符合实际推荐场景的需要， 又能够提 升模型的可解释性。 权利要求书4页 说明书7页 附图3页 CN 115293851 A 2022.11.04 CN 115293851 A 1.一种在图神经网络中引入物品类别 信息的推荐方法， 其特 征在于， 包括如下步骤： 步骤1， 确定 输入数据 所述输入数据为表现用户、 物品以及辅助信 息之间交互关系的用户 ‑物品交互图， 所述 用户‑物品交互图包括关系 数据和知识图谱； 所述关系 数据表示用户和物品之间的交互行 为； 所述知识图谱表示物品与其辅助信息之间的关系； 所述交互行为指用户对物品的隐式 反馈； 所述辅助信息是指与物品相关的一系列特 征描述； 步骤2， 构建潜在因子模块 所述潜在因子模块用于对用户选择商 品的意图进行建模， 用户选择物品总会出于某种 意图， 得到该模块中用户和物品的向量表示； 步骤3， 构建类别 信息模块 所述类别信 息模块用于获得物品的类别信 息， 所述类别信 息模块采用物品先验知识向 量作为物品的特 征信息； 步骤4， 构建类别加权聚合模块 所述类别加权聚合模块用于将知识图谱和物品先验知识向量进行加权聚合， 得到该模 块中用户和物品的向量表示； 步骤5， 构建评分预测模块 所述评分预测模块用于将潜在因子模块和类别加权聚合模块得到用户和物品的向量 表示进行整合， 进而进行向量计算， 最终实现在给定交互行为集合以及知识图谱上学习一 个函数， 该函数能够预测一个用户有 多大可能性购买或选择一个物品。 2.根据权利要求1所述在图神经网络中引入物品类别信 息的推荐方法， 其特征在于， 所 述用户对物品的隐式反馈， 包括浏览、 购买、 点赞、 收藏和转发， 在关系数据中， 用户和物品 之间的交互行为集合O+＝{(u， i)|u∈U， i∈I}， 其中U表示用户集合， I表示物品集合， u表示 用户， i表示用户u选择的物品； 所述知识图谱表示为G＝{(h， r， t)|h， t∈V， r∈R}， 其中， V表示实体集合， 其中的一个 实体即为物品h或物品的辅助信息t； R表示即物品与其辅助信息之间的关系r的集 合。 3.根据权利要求2所述在图神经网络中引入物品类别信 息的推荐方法， 其特征在于， 所 述潜在因子模块中， 将用户选择物品意图作为相应的潜在因子p， 根据所有潜在因子p的集 合P， 将用户和物 品配对(u， i)进行划分， 形成{(u， p， i)|p∈P}， 每个潜在因子p均与知识图 谱中的关系匹配， 运用注意力机制构造潜在因子p的向量ep： 式中： er表示关系r的ID嵌入向量， α(r， p)表示潜在因子p与知 识图谱中物品关系之间的 重要性得分， 计算公式为： 式中： wrp表示一个可以训练的权重矩阵， 该权重矩阵对应知识图谱中一个具体的关系r 以及一个具体的潜在因子p， r ′表示用户选择指定的物品在 知识图谱中对应的其 他关系。 4.根据权利要求3所述在图神经网络中引入物品类别信 息的推荐方法， 其特征在于， 所权　利　要　求　书 1/4 页 2 CN 115293851 A 2述潜在因子模块中， 两个潜在因子的距离相关系数越小， 意味着两个潜在因子之 间越独立， 潜在因子之间的独立 性以LING表示， 计算公式如下： 式中： ep和ep′为潜在因子p与潜在因子p ′的向量， dCor(ep， ep′)表示潜在因子p与潜在因 子p′之间的距离系数； dCov(ep， ep′)表示ep与ep′的距离协方差； dVar(ep)表示ep的距离方差， dVar(ep′)表示ep′的距离方差 。 5.根据权利要求3所述在图神经网络中引入物品类别信 息的推荐方法， 其特征在于， 所 述潜在因子模块中， 通过关系路径聚合或知识图谱聚合得到用户和物品的向量表示； 在进行关系路径聚合时， 使用协同过滤， 以Nu＝{(p， i)|(u， p， i)∈C}表示潜在因子历史 记录以及用户u的一阶相关性， C表示潜在因子历史记录， 从所有历史交互物品中整合潜在 因子信息， 从而产生潜在因子模块中用户u的向量表示： 式中： 为对用户u的潜在因子历史记录进行聚合之后的嵌入向量， 即潜在因子模 块 中用户和物品的向量表示； 表示潜在因子模块中物品i的ID嵌入向量； ⊙表示哈达玛 积， 注意力得分β(u， p)用来区分每 个潜在因子p的重要性， 其计算公式为： 式中： 表示用户u的ID嵌入向量； 在知识图谱聚合时， 使用Ni＝{(r， v)|(i， r， v)∈G}表示物品i的属性以及它的一阶链 接 实体节点， 并考虑聚合 函数的关系上 下文， 由此产生物品i的向量表示： 式中： 表示在知识图谱上对物品i的第1层邻接信息聚合之后的物品嵌入向量， 即 潜在因子模块中用户和物品的向量表示； 表示实体v的ID嵌入向量。 6.根据权利要求2所述在图神经网络中引入物品类别信 息的推荐方法， 其特征在于， 所 述类别信息模块采用聚类方法聚合得到物品先验知识向量， 聚类得到若干簇， 每个簇代表 一类相似的物品， 即每个簇对应一个物品类别， 每个簇的簇心向量即物品先验知识向量， 代权　利　要　求　书 2/4 页 3 CN 115293851 A 3