(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 202210929033.9 (22)申请日 2022.08.03 (71)申请人 湖北工业大 学 地址 430068 湖北省武汉市洪山区南李路 28号 (72)发明人 陈建峡　刘琦　张姝曦　潘立纬　 刘畅　余天赐　马忠宝　 (74)专利代理 机构 湖北创融蓝图知识产权代理 事务所 (特殊普通合伙) 42276 专利代理师 陈冲 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9536(2019.01) (54)发明名称 一种基于交互式图注意力网络的序列推荐 方法及系统 (57)摘要 本发明公开了一种基于交互式图注意力网 络的序列推荐方法及系统。 首先将每个用户和每 个物品表 示为一个属性图， 通过对属性图的建模 获取用户和物品的动态特征； 其次， 利用图注意 力网络自适应地为当前节点的邻居节点分配不 同的权重值参与计算， 捕获潜在非交互用户的信 息， 实现动态学习 高阶特征和新节点的表示； 最 后， 聚合每个用户的邻居 图的各种信息， 并捕获 相似用户的嵌入， 通过信息聚合和图形匹配， 获 得预测的输 出结果y′， 有效解决了现有技术中无 法动态地精确地捕获用户的喜好的技术问题， 实 现了能够动态地精确地向用户推荐目标物品的 技术效果。 权利要求书4页 说明书15页 附图4页 CN 115221413 A 2022.10.21 CN 115221413 A 1.一种基于交 互式图注意力网络的序列推荐方法， 其特 征在于， 包括： 构建用户属性图和物品属性图； 将所述用户属性图中的节点特征 和所述物品属性图中的节点特征 通过MLP函数 计算， 得到节点对(i,j)交互建模的输出结果 ， 并将每个节点所有交互建模结果聚合得到 内部传递信息 ； 单层GAT的初始节 点特征表 示为 ， 实现图注 意力操作的节 点表征表示为 ； 采用注意力机制学习边的权值 ， 将每个邻居节点 对于节点 的重要性进行建模； 节点的状态向量通过初始节点特征 和其在最后一步 的隐藏状态 实现门控循环神 经网络GRU的更新操作， 得到更新后的节点特 征 ； 在两个图之间进行节点匹配得到节点匹配结果 ， 将来自不同图形的节点匹配结果求 和得到最终两图交 互的信息传递结果 ； 将所述内部传递信息 、 所述最终两图交互的信息传递结果 和节点的自有信息 通过 函数 融合得到融合后的节点表示 ， 将每个图的融合节点表示 聚合为图表示， 得到最 终聚合后的节点表示 ； 通过 函数获得所述用户属 性图和所述物品属 性图的向量表示 和 ， 并在两个图 形上使用点积函数 来匹配两个图形， 最终 获得预测的输出 结果 。 2.如权利要求1所述的方法， 其特征在于， 所述将所述用户属性图中的节点特征 和所 述物品属性图中的节点特征 通过MLP函数 计算， 得到节点对(i,j)交互建模的输出结 果 ， 并将每个节点所有交 互建模结果聚合得到内部传递信息 ， 包括： 通过 得到节点对是 交互建模的结果 ； 其中， ， 是 用户对应交互建模的d维空间 的初始嵌入向量， 是物品对应交互建模的d维空间 的初 始嵌入向量， 是与 对应的值， 是与 对应的值， 是节点对(i,j)交 互建模的结果； 通过 将每个节点对对应的所有交互建模结果聚合得到最终的内部传递信息 ； 其中， 表示在图内包括节点 i在内的邻居节点 集。 3.如权利要求1所述的方法， 其特征在于， 所述采用注意力机制学习边的权值 ， 将每 个邻居节点 对于节点 的重要性进行建模， 包括： 通过公式 ， 得到抽象的特征表示 ； 其中， 使用单层的前馈神经网络 实现， 总的计算过程为： ； 其中， 是注意力函数， 具体表述为： ， 是前馈神经网络 的参数， 是前馈神经网 络的激活函数， 是实数集合， 是 维的实数向量， 是可训练的权值矩阵， 权　利　要　求　书 1/4 页 2 CN 115221413 A 2是 行 列的实数矩阵； 所述节点的状态 向量通过初始节点特征 和其在最后一步的隐藏状态 实现门控循 环神经网络GRU的更新操作， 得到更新后的节点特 征 ， 包括： 通过公式 得到输出 ； 其 中 ， ， ； 和 是更新函数门控递归 单元的权重参数， 和 偏置参数, 和 分别 是更新门向量和复位门向量， ,K是多头注意力头的数量， 是k头归 一化注意力权 重， ||是串联操作。 4.如权利要求 1所述的方法， 其特征在于， 所述将所述内部传递信息 、 所述最终两图交 互的信息传递结果 和节点的自有信息 通过函数 融合得到融合后的节点表示 ， 将每 个图的融合节点表示 聚合为图表示， 得到最终聚合后的节点表示 ， 包括： 通过 融合得到融合后的节点表示 ； 通过 ； 融合得到最终融合后的节点表示 ； 其中， 是与当前图存在 交互行为的另一个属性图的节点 集。 5.如权利要求1所述的方法， 其特征在于， 所述通过 函数获得所述用户属性图和所 述物品属性图的向量表示 和 ， 并在两个图形上使用点积函数 来匹配两个图形， 最终 获得预测的输出 结果 ， 包括： 通过 和 计算得到所述用户属性图和所述物品属性图的向量表 示 和 ； 其中， 是所述用户属 性图表示, 是所述物品属 性图表示， 是所述用户属 性图的节 点集, 是所述物品属性图的节点 集； 通过 计算得到所述预测的输出 结果 。 6.一种基于交 互式图注意力网络的序列推荐系统， 其特 征在于， 包括： 属性图构建模块， 用于构建用户属性图和物品属性图； 聚合模块， 用于将所述用户属性图中的节点特征 和所述物品属性图中的节点特征 通 过MLP函数 计算， 得到节点对(i,j)交互建模的输出结果 ， 并将每个节点所有交互建 模结果聚合得到内部传递信息 ； 重要性建模模块， 用于单层GAT的初始节点特征表示为 ， 实现图注意力操 作的节点表征表示为 ； 采用注意力机制学习边的权值 ， 将每个邻居节点 对于节点 的 重要性进行建模； 节点特征更新模块， 用于节点的状态向量通过初始节点特征 和其在最后一步的隐藏权　利　要　求　书 2/4 页 3 CN 115221413 A 3