(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 20221046185 3.X (22)申请日 2022.04.28 (71)申请人 北方民族大 学 地址 750021 宁夏回族自治区银川市西夏 区文昌北街204 号 (72)发明人 王海荣　季德强　 (74)专利代理 机构 西安研创天下知识产权代理 事务所(普通 合伙) 61239 专利代理师 梁宝龙 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/36(2019.01) G06N 5/02(2006.01) G06F 16/35(2019.01) G06F 16/335(2019.01)G06F 16/901(2019.01) (54)发明名称 一种融合用户-项目的邻居实体表 示推荐方 法 (57)摘要 本发明公开了一种融合用户 ‑项目的邻居实 体表示推荐方法， 针对现有的基于知识图谱的推 荐方法中， 大多采用单一用户或项目表示， 在合 并来自知识图谱的实体时， 用户或项目表示所携 带的信息容易丢失， 拟合用户兴趣不足， 进而导 致模型的次优表示的问题， 提出联合用户和项目 的特征表示挖掘用户更感兴趣的内容， 使用 TransR模型在知 识图谱中进行 实体传播， 获取用 户的嵌入表示； 使用GCN聚合候选项目在知识图 谱的邻域实体， 获取项目的嵌入表示。 最终实验 结果表明本方法的平均AUC和ACC值分别提升约 8.75％和7.10％。 权利要求书3页 说明书10页 附图1页 CN 114880559 A 2022.08.09 CN 114880559 A 1.一种融合用户 ‑项目的邻居实体表示推荐方法， 其特 征在于： 包括以下步骤： S1： 获取待处 理数据集， 并给定相应的知识图谱； S2： 映射用户u的交 互历史项目 S201： 将用户u在数据集上的交互历史项目通过实体映射文件映射为知识图谱的用户 实体， 作为 最初的扩展源实体； S3： 映射项目v S301： 将用户在数据集上的候选项目映射为知识图谱的候选项目实体， 并将该候选项 目v实体作为聚合对象； S4： 将S201中映射到知识图谱中用户实体通过TransR模型在知识图谱中进行实体传 播， 得到用户u的嵌入表示； S5： 利用GCN网络聚合S301中映射到知识图谱中的候选项目v实体周围的邻居实体， 得 到候选项目v的嵌入表示； S6： 将得到的用户u的嵌入表示和候选项目v的嵌入表示通过内积运算得到候选项得 分； S7： 根据候选项得分高低进行候选项目推荐。 2.根据权利要求1所述的一种融合用户 ‑项目的邻居实体表示推荐方法， 其特征在于， S4所述得到用户的嵌入表示的步骤 包括： S401： 对于给定的知识图谱G， 将映射到知识图谱G中的用户u的相互历史项目表示为用 户交互矩阵Y， 将Y中的正样本作为G中的源实体， 其中用户交 互矩阵Y的表达式： S402： 将S401中所述的源实体进行进行实体传播， 则用户u的第k次实体传播 集表示为： 其中， k表示传播次数， 当k＝0时， ε表示最初的扩展源实体， 为初始化的用户点 击历史项目； S403： 将知识图谱G中的每层的采样领域定义为S(e)， 则S(e)的实体集和三元组表示如 式(3)～(4)所示： 其中， h、 r、 t分别表示 三元组的头实体、 关系 、 和尾实体， 最大跳数H的初始值设为2； S404： 为每 个三元组的尾实体t分配注意力权 重， 且分配的注意力权 重计算公式为：权　利　要　求　书 1/3 页 2 CN 114880559 A 2其中， Ri和Hi分别表示关系ri和头实体hi的嵌入向量， 关联概率Wi表示关系空间R中测量 的项目v和用户历史实体的相似值； S405： 基于得到的Wi， 针对第一次传播的实体传播集的实体向量 加权， 得到用户的第 一层传播表示， 即： 其中， Ti表示尾实体ti经TransR映射后的嵌入， 向量U1为u对项目v的一阶特 征表示； S406： 使用得到的U1继续传播下一层， 可获得用户u的二阶特征表示U2， 重复S405， 最终 获取 扩展H次后的特 征表示U1， U2， ...UH； S407： 将每一层特 征表示累加， 得到用户u的嵌入表示uv， 即： 3.根据权利要求2所述的一种融合用户 ‑项目的邻居实体表示推荐方法， 其特征在于， S5得到项目的嵌入表示的步骤 包括： S501： 对于给定的知识图谱G， 候选项目v映射到G中作为聚合对象被表示 为E(v)； S502： 获取候选项目传播实体E(v)周围k跳实体集， 即： 其中， N(h)表示需要聚合的邻域实体； S503： 基于公式(3)限制采样邻域， 将E(v)的采样邻域实体表示 为 S504： 为每层采样邻域实体都分配注意力权 重， 所述注意力权 重计算公式为： 其中， u和r分别表示用户和关系的向量表示； S505： 将注意力权 重分配至采样邻域后， 知识图谱G中的每层邻域实体 被表示为： 其中， rv,e表示E(v)和周围实体e的关系， 是归一化后的用户关系权重， 该权重的计 算为： S506： 通过Sum方法将E(v)及其周围实体e通过GCN聚合方法由外向内聚合成单个向量， 用来表示E(v)汇集的k跳邻域信息， 聚合的计算公式为：权　利　要　求　书 2/3 页 3 CN 114880559 A 3