(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 202210397786.X (22)申请日 2022.04.15 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 俞奎　王雨薇　李玉玲　解弘艺　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 专利代理师 陆丽莉　何梅生 (51)Int.Cl. G06Q 30/06(2012.01) G06F 16/22(2019.01) G06F 16/2455(2019.01) G06F 16/2458(2019.01) G06F 16/36(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于元学习和知识图谱的商品推荐方 法 (57)摘要 本发明公开了一种基于元学习和知识图谱 的商品推荐方法， 包括： 1)获取用户商品历史交 互记录数据， 构建用户 ‑商品交互二分图作为推 荐模型的训练数据； 2)获取商品属性以及属性之 间的关联特征， 并利用先验知识构建成背景知识 图谱； 3)构建基于元学习和知识图谱的推荐模 型， 选取合适的损失函数来优化模 型参数和特征 向量； 4)利用推荐模型对未交互过的商品未来产 生交互的可能性进行评分预测， 最终按照评分顺 序得到商品推荐结果。 本发明采用了基于元学习 和知识图谱的技术， 通过融合商品属性的背景知 识图谱， 仅使用少量的训练数据训练推荐系统就 可以为用户精准 地推荐其可能感兴趣的商品。 权利要求书3页 说明书7页 附图1页 CN 114708064 A 2022.07.05 CN 114708064 A 1.一种基于元 学习和知识图谱的商品推荐方法， 其特 征是按如下步骤进行： 步骤一： 获取用户商品历史交互记录的数据， 并将数据中的用户 和商品分别作为用户 节点和商品节点， 将所述数据中的历史交互记录作为用户节点和商品节点之间的一条边， 记为用户 ‑商品对， 从而构建用户 ‑商品交互二分图GT， 其中， U为所述用户 ‑商品交互二分图 GT对应的用户节点集合， uj为用户节点集合U中的第j个用户节点， I表示 所述用户 ‑商品交互 二分图GT对应的商品节点 集合， in为商品节点 集合中I的第n个商品节点； 步骤二： 收集历史交互记录数据中商品所拥有的属性信息以及商品和属性之间、 属性 与属性之间的关联信息， 并利用先验知识构建包含商品节点、 商品自身各种属 性节点以及 关联信息的背景知识图谱G ′； 步骤三： 从用户 ‑商品交互二分图GT中抽取第j个用户节点uj， 并选取第j个用户节点uj 的一个用户 ‑商品对用于构建第j个用户节点的支撑集Sj， 利用第j个用户节点uj其余的用 户‑商品对构建第j个用户节点的询问集Qj； 同时从商品节点集合I中随机抽 取第 个商品 节点 且第 个商品节点 与第j个用户节点uj之间不存在边， 从而构造支撑集Sj的伪用 户‑商品对； 步骤四、 统计用户 ‑商品交互二分图GT中用户节点数量a， 用户 ‑商品交互二分图GT中商 品节点数量b， 背景知识图谱G ′中属性节点数量c， 背景知识图谱G ′中关联特征数量d； 设置潜在语义特征向量的维度为e， 利用随机初始化法构 建a×e维的用户特征矩阵U， b ×e维的商品特征矩阵V， c ×e维的属性特征矩阵F， d ×e维的关联特征矩阵R， 并将用户节 点、 商品节点、 属性节点和关联 特征按照序号分别映射 为相应特 征矩阵中的特 征向量； 步骤五： 构建基于n层transformer网络和一层图注意力网络GAT的特征向量学习模块， 为每一个用户 ‑商品对学习全局特 征向量和 局部特征向量； 步骤5.1、 子图抽取： 步骤5.1.1、 针对第j个用户节点uj的支撑集Sj中的用户 ‑商品对 从背景知识图 谱G′中提取第uj个商品节点 的直接属性特征 其中， 表 示第uj个商品节点 的直接属性特征数量， 表示第uj个商品节点 的第h个直接属性特 征； 步骤5.1.2、 从背 景知识图谱G ′中提取与第uj个商品节点 的直接属性特征相关联的属 性特征 其中， 代表第uj个商品节点 的直接属性特征 集合， i′代表第uj个商品节点 的直接属性特征集合 中的一个直接属性特征， 代表 与第uj个商品节点 的直接属性特征相关联的属性特征数量， 代表与第uj个商品节点 的直接属性特 征相关联的属性特 征； 步骤5.1.3、 所述直接属性特征 及其相关联的属性特征 共同组成第uj个商品节 点 的属性集 权　利　要　求　书 1/3 页 2 CN 114708064 A 2步骤5.1.4、 按照步骤5.1.1 ‑步骤5.1.3的过程得到第j个用户节点uj的询问集Qj中的所 有商品节点的属性 集Cj； 步骤5.1.5、 按照步骤5.1.1 ‑步骤5.1.3的过程得到支撑集Sj的伪用户 ‑商品对中的商品 节点的属性 集 步骤5.2、 子图向量 化： 步骤5.2.1、 将第uj个商品节点 的属性集 表示为标记序列χ＝{x1,...,xi,..., x(4p+3)}， 其中， xi表示第i个元素， 奇数序号所对应的元素代表实体， 偶数序号所对应的元素 代表相邻两个奇数序号所对应的元素之间的关联特征； 令第i个元素xi在标记序列 χ中 的位 置向量为 令第i个元素xi在用户特征矩阵U、 商品特征矩阵V、 属性特征矩阵F、 关联特征 矩阵R中对 应的特征向量记为 从而由特征向量 和位置向量 之和构成第i个元素xi 的向量表示zi； 步骤5.2.2、 按照步骤5.2.1的过程得到标记序列 χ中每个元素的向量表示， 从而得到向 量表示集合z0＝{z1,…,zi,…,z4p+3}； 将向量表示集合z0输入所述transformer网络中进行训练并得到更新向量表示z ′， 并提 取更新向量表示z ′的中间三个元素z ′2p,z′2p+1,z′2p+2后取均值， 得到支撑 集Sj的全局特征向 量 步骤5.2.3、 按照步骤5.2.1 ‑5.2.2的过程对询问集Qj中的每个用户 ‑商品对进行处理， 从而得到询问集 Qj的全局特 征向量Gj； 步骤5.2.4、 将所述更新向量表示z ′输入所述图注意力网络GAT中进行训练并得到支撑 集Sj的局部特 征向量 步骤5.2.5、 按照步骤5.2.4的过程对询问集Qj中的每个用户 ‑商品对进行处理， 从而得 到询问集 Qj的局部向量表示 Lj； 步骤5.2.6、 按照步骤5.2.1 ‑步骤5.2.2的过程对支撑集Sj中的伪用户 ‑商品对进行处 理， 从而得到全局特征向量 按照步骤5.2.4的过程得到伪用户 ‑商品对的局部特征向量 步骤六、 对询问集 Qj的用户‑商品对进行 可信度度量； 步骤6.1、 计算全局分数： 由支撑集Sj的全局特征向量 与询问集Qj的全局特征向量Gj分别进行点乘后得到全局 分数Sglobal； 步骤6.2、 计算局部分数： 由支撑集Sj的局部特征向量 与询问集Qj的局部特征向量Lj分别进行点乘后得到局部 分数Slocal； 步骤6.3、 利用式(1)计算询问集 Qj中第k个用户 ‑商品对的最终得分Sk： 式(1)中， λ为超参数； 为全局分数Sglobal中第k个分数； 为局部分数Slocal中第k 个分数；权　利　要　求　书 2/3 页 3 CN 114708064 A 3