(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 202211211810.2 (22)申请日 2022.09.30 (71)申请人 南京工业大 学 地址 210000 江苏省南京市中山北路20 0号 (72)发明人 钱景辉　蔡勇　杨小健　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 田凌涛 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/36(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于优化图注意网络的知识图谱推荐 方法 (57)摘要 本发明涉及一种基于优化图注意网络的知 识图谱推荐方法， 首先构建待推荐信息集合所对 应的知识图谱， 接着将用户加入知识图谱中， 然 后发掘知识图谱中各待推荐信息之间、 区别预设 各信息关联属性 以外的各待推荐信息彼此间额 外联系， 更新知识图谱， 并获得知识图谱中各用 户分别对应各待推荐信息的感兴趣优 先级， 最后 获得各用户分别对应的各目标待推荐信息， 向用 户群中各用户进行信息推荐； 方案设计使用基于 层次感知的知识图嵌入模型(HAKE)识别知识图 谱中未发现的高阶关系， 以及使用改进的IMG ‑ GCN模型通过利用用户特征和图结构有效地识别 具有共同兴趣的用户， 可以避免从高阶邻居传播 负面信息到嵌入 学习中， 提升了推荐结果的准确 性和可靠性。 权利要求书2页 说明书7页 附图1页 CN 115455302 A 2022.12.09 CN 115455302 A 1.一种基于优化图注意网络的知识图谱推荐方法， 其特征在于： 基于待推荐信 息集合， 按如下步骤， 实现向用户群中各用户进行信息推荐； 步骤A.以待推荐信 息集合中的各条待推荐信 息作为节点， 针对存在对应预设各信 息关 联属性联系的节点之间建立连线， 构建待推荐信息集合所对应的知识图谱， 然后进入步骤 B； 步骤B.分别针对用户群 中的各用户， 基于用户分别与各条待推荐信 息之间是否存在对 应预设各用户信息关联属 性的联系， 以用户作为节点， 用户与存在联系的各待推荐信息之 间分别建立连线， 加入至待推荐信息集合所对应的知识图谱中， 更新知识图谱， 然后进入步 骤C； 步骤C.发掘待推荐信 息集合所对应知识图谱中各待推荐信 息之间、 区别预设各信 息关 联属性以外的各待推荐信息彼此间额外联系， 针对存在彼此间额外联系的节点之 间建立连 线， 更新待推荐信息集 合所对应的知识图谱， 然后进入步骤D； 步骤D.根据待推荐信 息集合所对应的知识图谱， 获得知识图谱中各用户分别对应各待 推荐信息的感兴趣 优先级， 然后进入步骤E； 步骤E.分别针对用户群中的各用户， 基于用户分别对应各待推荐信息的感兴趣优先 级， 获得该用户所对应的各目标待推荐信息； 进而获得各用户分别对应的各目标待推荐信 息， 向用户群中各用户进行信息推荐。 2.根据权利要求1所述一种基于优化图注意网络的知识图谱推荐方法， 其特征在于： 所 述步骤A中， 首先分别针对待推荐信息集合中的各条待推荐信息， 获取待推荐信息中分别对 应预设各信息属 性的信息内容， 组合更新该待推荐信息， 进而更新待推荐信息集合中的各 条待推荐信息； 然后基于各条待推荐信息之间是否存在对应预设各信息关联属 性的联系， 以各条待推荐信息作为节点， 存在联系的节点之间建立连线， 构建待推荐信息集合所对应 的知识图谱。 3.根据权利要求2所述一种基于优化图注意网络的知识图谱推荐方法， 其特征在于： 所 述步骤A中根据预设异常信息内容库， 针对基于预设各信息属 性更新所获得 的各待推荐信 息， 剔除其中异常待推荐信息， 然后以剩余各条待推荐信息作为节点， 存在联系的节点之间 建立连线， 构建待推荐信息集 合所对应的知识图谱。 4.根据权利要求1所述一种基于优化图注意网络的知识图谱推荐方法， 其特征在于： 所 述步骤C中， 首先基于预训练好以与各待推荐信息同属相同信息类别的各信息样本为输入， 结合各信息样本对应预设各信息分类类别的分类， 以各信息样本之 间区别预设各信息 关联 属性以外的信息样本彼此间额外联系为输出的信息间额外 关系模型， 针对知识图谱中的各 待推荐信息进行处 理， 获得知识图谱中的各待推荐信息彼此间额外联系； 然后根据知识图谱中的各待推荐信 息彼此间额外联系， 针对存在彼此间额外联系的节 点之间建立连线， 更新待推荐信息集 合所对应的知识图谱。 5.根据权利要求4所述一种基于优化图注意网络的知识图谱推荐方法， 其特征在于： 所 述步骤C中的信息间额外 关系模型， 基于与待推荐信息同属相同信息类别的各信息样本， 各 信息样本对应预设各信息分类类别的分类， 以及各信息样本之 间区别预设各信息关联属性 以外的信息样本彼此间额外联系， 针对层次感知的知识图嵌入 模型HAKE进行训练获得。 6.根据权利要求1所述一种基于优化图注意网络的知识图谱推荐方法， 其特征在于： 所权　利　要　求　书 1/2 页 2 CN 115455302 A 2述步骤D包括如下步骤D1至步骤D2； 步骤D1.基于待推荐信 息集合所对应知识图谱中各用户节点分别与各条待推荐信 息节 点之间是否存在连线， 以各用户、 各条待推荐信息分别作为横坐标、 纵坐标， 用户与待推荐 信息之间存在连线对应1， 用户与待推荐信息之间不存在连线对应0， 构建待推荐信息集合 所对应的用户 ‑信息二维矩阵， 然后进入步骤D2； 步骤D2.基于预训练好以与待推荐信 息集合同属相同信 息类别的信 息样本集合执行步 骤A、 B、 C、 D1所获知识图谱、 用户 ‑信息二维矩阵为输入， 以其中各用户分别对应信息样 本集 合中各信息样本的感兴趣优先级为输出的兴趣级模型， 针对待推荐信息集合所对应的知识 图谱、 用户 ‑信息二维矩阵进 行处理， 获得其中各用户分别对应待推荐信息集合中各待推荐 信息的感兴趣 优先级。 7.根据权利要求6所述一种基于优化图注意网络的知识图谱推荐方法， 其特征在于： 所 述步骤D2中的兴趣级模型， 基于与待推荐信息集合同属相同信息类别的信息样本集合执行 步骤A、 B、 C、 D1所获知识图谱、 用户 ‑信息二维矩阵， 以及其中各用户分别对应信息样 本集合 中各信息样本的感兴趣优先级， 针对基于兴趣感知消息传递IMG ‑图卷积神经网络GCN进行 训练获得。 8.根据权利要求1所述一种基于优化图注意网络的知识图谱推荐方法， 其特征在于： 所 述步骤E中分别针对用户群中的各用户， 执 行如下步骤E1至步骤E4； 步骤E1.基于用户对应各待推荐信息按感兴趣优先级由高至低的排序， 删除该用户关 于各待推荐信息中、 满足预设召回剔除规则的各待推荐信息， 剩余各待推荐信息作为该用 户所对应的各初级 待推荐信息， 然后进入步骤E2； 步骤E2.获得该用户对应预设各用户特征属性的信息， 构成该用户所对应的用户特征 向量， 并获得该用户所对应各初级待推荐信息分别对应预设各信息特征属 性的信息， 构成 该各初级待推荐信息分别对应的信息特 征向量， 然后进入步骤E 3； 步骤E3.分别针对该用户所对应的各初级待推荐信息， 初级待推荐信息所对应信息特 征向量与该用户所对应用户特征向量与之 间相乘， 构成该用户关于该初级待推荐信息的预 测选择概率； 进而获得该用户分别关于其所对应各初级待推荐信息的预测选择概率， 然后 进入步骤E4； 步骤E4.按预测选择概率由高至低顺序， 针对该用户所对应的各初级待推荐信息进行 排序， 并顺序选择前 条初级待推荐信息， 作为该用户对应的各目标待推荐信息， 向该 用户进行信息推荐； 其中， L表 示该用户所对应初级待推荐信息的数量， b表 示预设第二百分 比， 表示向上 取整函数。 9.根据权利要求8所述一种基于优化图注意网络的知识图谱推荐方法， 其特征在于： 所 述步骤E1 中预设召回剔除规则为： 剔除用户对应各待推荐信息按感兴趣优先级由高至低排 序中、 最后 条待推荐信息， N表示待推荐信息集合中待推荐信息的数量， a表示预设第 一百分比， 表示向上 取整函数。 10.根据权利要求1所述一种基于优化图注意网络的知识图谱推荐方法， 其特征在于： 所述待推荐信息集 合为待推荐 商品信息集 合或待推荐搜索信息集 合。权　利　要　求　书 2/2 页 3 CN 115455302 A 3