(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 202210413327.6 (22)申请日 2022.04.20 (71)申请人 上海电力大 学 地址 201306 上海市浦东 新区沪城环路 1851号 (72)发明人 曹渝昆　方一新　苗泽宇　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 专利代理师 王晓东 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/9535(2019.01) G06F 16/9536(2019.01) G06N 3/04(2006.01) (54)发明名称 一种基于衰减传播的知识图谱增强推荐算 法 (57)摘要 本发明公开了一种基于衰减传播的知识图 谱增强推荐算法， 包括划分多层用户兴趣图； 对 每层所述用户兴趣图， 进行基于缩放注意力机制 的层内兴趣传播， 输出单层用户兴趣图表示； 利 用所述用户兴趣图表示， 进行基于衰减因子的层 间兴趣传播， 输出用户兴趣表示； 对所述用户兴 趣表示进行提纯操作， 输出用户向量； 利用所述 用户向量和候选项目的项目向量， 输出推荐结 果。 本发明所述方法提出了多层用户兴趣图的概 念， 将用户兴趣在知识图谱上的传播路径逐层拆 分和后分析， 利用实体之间的关系替代元路径， 缓解对手工设计的元路径的高度依赖， 并引入带 有残差块的提纯网络， 处理算法中产生的数据噪 音和退化问题， 提纯用户兴趣表示， 提高推荐效 果。 权利要求书2页 说明书9页 附图3页 CN 114860949 A 2022.08.05 CN 114860949 A 1.一种基于 衰减传播的知识图谱增强推荐算法， 其特 征在于： 包括， 划分多层用户兴趣图； 对每层所述用户兴趣图， 进行基于缩放注意力机制的层内兴趣传播， 输出单层用户兴 趣图表示； 利用所述用户兴趣图表示， 进行基于 衰减因子的层间兴趣传播， 输出用户兴趣表示； 对所述用户兴趣表示进行提纯操作， 输出用户向量； 利用所述用户向量和候选项目的项目向量， 输出推荐结果。 2.如权利要求1所述的基于衰减传播的知识图谱增强推荐算法， 其特征在于： 根据用户 历史行为记录， 并以实体间的关系为连接， 将知识图谱划分为多层用户兴趣图。 3.如权利要求1或2所述的基于衰减传播的知识图谱增强推荐算法， 其特征在于： 划分 多层用户兴趣图包括如下步骤， 将用户点击的项目集合Vu映射到知识图谱 上， 并将得到的头实体集合定义为 以此 为中心遍历可以得到三元组集合 作为初始用户兴趣图， 三元组集合 可通过如下公 式计算， 式中， (h,r,t)代表知识图谱G中的一组三元组， h,r,t分别代表三元组中的头实体、 尾 实体和它 们之间的关系； 依据三元组集合 更新知识图谱和头实体集合， 得到知识图谱G(1)和头实体集合 并以此得到三元组集 合 式中， (h,r,t)代表知识图谱G中的一组三元组， h,r,t分别代表三元组中的头实体、 尾 实体和它 们之间的关系； 重复上述 步骤， 得到多层用户兴趣图 4.如权利要求3所述的基于衰减传播的知识图谱增强推荐算法， 其特征在于： 输出单层 用户兴趣图表示包括如下步骤， 根据用户兴趣偏好， 对传播路径进行加强或减弱处理， 在单层 兴趣图中， 用户对一条路 径的偏好权 重p(h,r,t)定义为： 式中， eh∈Rd， er∈Rd×d分别是三元组中头实体和关系的向量表示， ev为候选项目向量， d 是实体向量的维度；权　利　要　求　书 1/2 页 2 CN 114860949 A 2RSAP聚集当前兴趣图中的实体， 并加权得到当前的单层用户兴趣图表示 式中， et∈Rd是三元组中尾实体的向量表示。 5.如权利要求4所述的基于衰减传播的知识图谱增强推荐算法， 其特征在于： 在多层用 户兴趣图上利用衰减因子来模拟用户兴趣在现实中会逐渐衰减的表现形式， 以此来聚集多 层兴趣图表示， 从而得到用户兴趣表示。 6.如权利要求5所述的基于衰减传播的知识图谱增强推荐算法， 其特征在于： 输出用户 兴趣表示采用如下公式进行计算， 式中， 分别代表第1,2, …,L层用户兴趣图表示， λ1, λ2,…, λL代表衰减 因子， Du代表用户兴趣表示。 7.如权利要求6所述的基于衰减传播的知识图谱增强推荐算法， 其特征在于： 对所述用 户兴趣表示进行提纯操作包括如下步骤， 将用户兴趣表示两 两组合作为残差块的输入参数， 并输出 纯化用户兴趣表示 式中， 是残差块中的直接映射部分， F1(·)代表其中残差部分， RSAP特殊地设定 8.如权利要求7所述的基于衰减传播的知识图谱增强推荐算法， 其特征在于： 通过RSAP 拼接多个纯化用户兴趣 并投影得到最终用户向量： 式中， ||是拼接符号， eu∈Rd代表最终的用户向量， F2(·)代表一个映射 函数。 9.如权利要求8所述的基于衰减传播的知识图谱增强推荐算法， 其特征在于： 所述推荐 结果为点击候选项目概 率。 10.如权利要求9所述的基于衰减传播的知识图谱增强推荐算法， 其特征在于： 所述推 荐结果采用如下公式进行， yuv＝σ(eu,ev) 式中， yuv为点击候选项目概 率， σ(·)是sigmo id激活函数。权　利　要　求　书 2/2 页 3 CN 114860949 A 3