(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 202210614778.6 (22)申请日 2022.05.30 (71)申请人 清华大学 地址 100084 北京市海淀区双清路3 0号清 华大学清华园北京 100084-82信箱 (72)发明人 李涓子　李亚坤　侯磊　褚晓泉　 孟斌杰　张鹏　唐杰　许斌　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 刘亚平 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/335(2019.01) G06F 16/9535(2019.01) G06F 40/295(2020.01)G06F 40/30(2020.01) G06Q 30/06(2012.01) (54)发明名称 跨域推荐方法、 装置、 电子设备及存 储介质 (57)摘要 本发明提供一种跨域推荐方法、 装置、 电子 设备及存储介质， 其中， 所述方法应用于数据稀 疏的目标域， 目标域的目标域实体包括待推荐用 户实体和待推荐商品实体， 所述方法包括： 获取 知识图谱和源域， 其中， 源域中的源域实体包括 源域用户实体和源域商品实体； 基于知识图谱， 对目标域实体和源域实体进行转换， 得到目标域 实体向量和源域实体向量； 基于目标域实体向量 和源域实体向量， 通过图注意力模 型得到待推荐 用户实体的融合偏好特征； 基于待推荐用户实体 的融合偏好特征， 通过跨域贝叶斯机制进行推 荐， 得到待推荐用户实体关于待推荐商品实体的 推荐排序。 通过本发明提高了对待推荐用户实体 进行商品实体 推荐的推荐效率。 权利要求书3页 说明书14页 附图4页 CN 115098692 A 2022.09.23 CN 115098692 A 1.一种跨域推荐方法， 其特征在于， 所述方法应用于数据稀疏的目标域， 所述目标域的 目标域实体包括待推荐用户实体和待推荐 商品实体， 所述方法包括： 获取知识图谱和源域， 其中， 所述源域中的源域实体包括源域用户实体和源域商品实 体； 基于所述知识图谱， 对所述目标域实体和所述源域实体进行转换， 得到目标域实体向 量和源域实体向量； 基于所述目标域实体向量和所述源域实体向量， 通过图注意力模型得到所述待推荐用 户实体的融合偏好特 征， 其中， 所述图注意力模型通过 预训练得到； 基于所述待推荐用户实体的融合偏好特征， 通过跨域贝叶斯机制进行推荐， 得到所述 待推荐用户实体关于所述待推荐 商品实体的推荐排序。 2.根据权利要求1所述的跨域推荐方法， 其特征在于， 所述基于所述知识图谱， 对所述 目标域实体和所述源域实体进行转换， 得到目标域实体向量和源域实体向量， 具体包括： 基于所述知识图谱、 所述目标域实体和所述源域实体， 得到协同知识图谱， 其中， 所述 协同知识图谱中包括所述目标域实体的数据和所述源域实体的数据； 基于所述协同知识图谱， 通过知识表示模型对所述目标域实体和所述源域实体进行转 换， 得到目标域实体向量和源域实体向量， 其中， 所述知识 表示模型通过 预训练得到 。 3.根据权利要求1所述的跨域推荐方法， 其特征在于， 所述基于所述目标域实体向量和 所述源域实体向量， 通过图注意力模型得到所述待推荐用户实体的融合偏好特征， 具体包 括： 基于所述目标域实体向量， 通过所述图注意力模型得到所述待推荐用户实体在所述目 标域内的域内偏好特 征； 基于所述源域实体向量， 通过所述图注意力模型得到所述待推荐用户实体关于所述源 域的跨域偏好特 征； 基于所述域内偏好特征和所述跨域偏好特征， 得到所述待推荐用户实体的融合偏好特 征。 4.根据权利要求3所述的跨域推荐方法， 其特征在于， 所述基于所述目标域实体向量， 通过所述图注意力模型得到所述待推荐用户实体在所述目标域内的域内偏好特征， 具体包 括： 基于所述目标域实体向量， 通过多跳推理机制确定所述待推荐用户实体在所述目标域 内的多个域内相似邻居； 通过所述图注意力模型确定所述 域内相似邻居的注意力权 重； 对所述域内相似邻居的注意力 权重进行归一化处理， 得到所述域内相似邻居的偏好注 意力系数； 基于各个所述域内相似邻居的偏好注意力系数的加权和， 得到所述待推荐用户实体在 所述目标域内的域内偏好特 征。 5.根据权利要求3所述的跨域推荐方法， 其特征在于， 所述基于所述源域实体向量， 通 过所述图注意力模型 得到所述待推荐用户实体关于所述源域的跨 域偏好特 征， 具体包括： 基于所述源域实体向量， 通过随机游走机制确定所述待推荐用户实体在所述源域内的 跨域相似邻居；权　利　要　求　书 1/3 页 2 CN 115098692 A 2通过所述图注意力模型确定所述 跨域相似邻居的注意力权 重； 基于所述目标域实体向量， 确定所述待推荐用户实体的原 始注意力向量权 重； 对所述跨域相似邻居的注意力权重和所述待推荐用户实体的原始注意力向量权重进 行全连接处 理， 得到所述待推荐用户实体关于所述源域的跨 域偏好特 征。 6.根据权利要求3所述的跨域推荐方法， 其特征在于， 所述基于所述域内偏好特征和所 述跨域偏好特 征， 得到所述待推荐用户实体的融合偏好特 征采用以下公式确定： 其中， 表示所述待推荐用户实体的融合偏好特征； LeahkReLU[.]表示LeahkReLU激活 函数处理； ξ表示偏好表示的平衡参数， 用于控制所述跨域偏好特征的参与程度； 表示所 述域内偏好特 征； 表示所述 跨域偏好特 征。 7.根据权利要求1所述的跨域推荐方法， 其特征在于， 所述基于所述待推荐用户实体的 融合偏好特征， 通过跨域贝叶斯机制进行推荐， 得到所述待推荐用户实体关于所述待推荐 商品实体的推荐排序， 具体包括： 基于所述待推荐用户实体的融合偏好特征， 通过所述跨域贝叶斯机制分别得到所述目 标域中的所述待推荐用户实体的目标域用户节点层表示和所述待推荐商品实体的目标域 商品节点层表示， 以及所述源域中的所述源域用户实体的源域用户节点层表示和所述源域 商品实体的源域商品节点层表示； 对所述目标域中的所述目标域用户节点层表示和所述目标域商品节点层表示进行内 积， 得到所述待推荐用户实体关于所述待推荐 商品实体的第一匹配值； 对所述源域中的所述源域用户节点层表示和所述源域商品节点层表示进行内积， 得到 所述源域用户实体关于所述源域商品实体的第二匹配值； 对所述第一匹配值和所述第 二匹配值进行跨域正则化项处理， 得到所述待推荐用户实 体关于所述待推荐 商品实体的推荐排序。 8.根据权利要求7所述的跨域推荐方法， 其特征在于， 所述对所述第 一匹配值和所述第 二匹配值进行跨域正则化项处理， 得到所述待推荐用户实体关于所述待推荐商品实体的推 荐排序采用以下公式实现： 其中， LCBPR表示所述待推荐用户实体关于所述待推荐商品实体的推荐排序； κ和κ'分别 表示所述源域和所述目标域中的训练样 本； σ(·)表示Sigmoid函数； λ表 示控制跨域相似偏 好融合程度的正则化参数； 表示待推荐用户实体ut关于待推荐商品实体it的第一匹 配值； 表示待推荐用户实体ut关于待推荐商品实体jt的第一匹配值； 表示 源域用户实体us关于源域商品实体is的第二匹配值； 表示源域用户实体us关于源 域商品实体js的第二匹配值。 9.一种跨域推荐装置， 其特征在于， 所述装置应用于数据稀疏的目标域， 所述目标域的 目标域实体包括待推荐用户实体和待推荐 商品实体， 所述装置包括： 获取模块， 用于获取知识图谱和源域， 其中， 所述源域中的源域实体包括源域用户实体权　利　要　求　书 2/3 页 3 CN 115098692 A 3