(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 202210593429.0 (22)申请日 2022.05.27 (71)申请人 昆明理工大 学 地址 650000 云南省昆明市一 二一大街文 昌路68号 (72)发明人 朵琳　韦贵香　 (74)专利代理 机构 昆明金科智诚知识产权代理 事务所(普通 合伙) 53216 专利代理师 杨钊霞 (51)Int.Cl. G06F 16/36(2019.01) G06F 40/295(2020.01) G06N 3/04(2006.01) (54)发明名称 融合邻居重要度和特征学习的图卷积推荐 系统 (57)摘要 本发明提出了一种融合邻居重要度和特征 学习的图卷积推荐系统。 该模型分为邻居采样模 块、 Bi‑Interaction特征交叉池化聚合模 块和预 测模块。 在邻居采样模块， 使用节点分数(即节点 对用户的重要性)和用户对边的分数(即关系对 用户的重要性)的加权分数作为节点初始分数， 再与节点的中心性感知分数进行融合得到该节 点的最终评分， 根据评分进行排序得到邻居列 表。 在数据聚合模块， 使用Bi ‑Interaction聚合 器将实体和 邻域聚合为单个向量， Bi聚合器可以 进行实体与邻域的特征交叉学习， 使聚合结果包 含更加全面的信息。 最后， 评分预测模块对最终 的用户特征向量和项目特征向量进行点积， 得到 最终的概 率分数。 权利要求书2页 说明书5页 附图1页 CN 115048530 A 2022.09.13 CN 115048530 A 1.一种融合邻居重要度和特 征学习的图卷积推荐系统， 其特 征在于， 包括以下步骤： (1)邻居采样模块 知识图谱由三元组(h,r,t)组成， 其 中h代表头部实体， t代表尾部实体， r代表 实体间的 关系， 在计算实体节点重要性时考虑了用户对实体节点的偏好程度， 在用户与关系分数 的 基础之上加入用户与实体的分数， 实体节点 i的初始评分为： s(i)＝(1 ‑α )s(u,r)+α s(u,v) 其中， s(i)代表实体节点i的初始分数， 其中第一项表示用户节点与关系的分数， 第二 项表示用户节点与实体i的分数， α 为超参数， 用来衡量用户与关系、 用户与实体这两个 分数 的重要性。 在知识图谱中， 可以使用中心性(Centrality)作为判断节点重要性或影响力的指标， 中心性又可分为： 度中心性、 中介中心性和接近中心性； 其中， 度中心性衡量图谱中一个节 点与所有其它节点相联系的程度； 中介中心 性以经过某个节点的最短路径数目来刻画该节 点重要性； 接近中心性反映在图谱中某一节点与其他节点之间的接近程度； 根据知识图谱 的特性， 一个节点与之相连的节点越多， 该节点隐含的信息可能越丰富， 故本文使用度中心 性来衡量一个节点的重要性， 并假设实体节点的重要性与其在知识图谱中的中心性正相 关， 即更中心的节点将比其 他节点更重要， 实体节点 i的中心性表示 为： c(i)＝log(d(i)+ ε ) 其中， d(i)表示实体节点 i的入度， ε是一个数值很小的常数； 最后， 结合实体节点的初始分数和中心性得到实体节点 最终的重要度评分： s(i)＝σs(c(i)·s(i)) 其中， σs为非线性激活函数,根据节点最终的重要度评分来进行排序， 即可得到目标实 体节点的邻域列表； (2)基于特 征交叉池化的聚合方法 引入特征交叉池化层来对实体邻域进行聚合： fBi‑Interacti on＝LeakyReLU(W1(eh+eNh))+LeakyReLU(W2(eh⊙eNh) 其中W1， W2∈Rd'×d是可训练的权重矩阵， eh为实体特征向量， eNh为实体的邻域特征向量， ⊙表示元素积， 第k维的元 素积操作如下： (eh⊙eNh)k＝ehkeNhk 通过对所有特征域进行两两交叉后， 可以得到一系列特征交叉后的特征向量， 最后将 所有结果进行sumpooling操作， 模型在对每一个特征进行学习的时候， 都需要和其他特征 进行交叉， 但是模型在学习性别特征 的时候不可避免地受到时间特征 的影响， 在一定程度 上加大了计算 量， 因此引入dropout防止过拟合； (3)评分预测与模型优化 使用最终 聚合得到的用户特征向量zu和项目特征向量zi进行点积 得到用户对物品的预 测评分： 使用梯度下降算法来更新模型， 使用交叉熵损 失函数来对模型进行优化， 交差熵可以 计算预测 结果 和正确结果y之间的距离， 距离越小， 表示预测的结果越准确， 模型效果越权　利　要　求　书 1/2 页 2 CN 115048530 A 2好； 权　利　要　求　书 2/2 页 3 CN 115048530 A 3