(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 202210055478.9 (22)申请日 2022.01.18 (71)申请人 安徽农业大 学 地址 230001 安徽省合肥市长江西路13 0号 (72)发明人 吴国栋　朱文涛　李景霞　何章伟　 刘涵伟　刘旭旭　 (74)专利代理 机构 合肥信诚兆佳知识产权代理 事务所 (特殊普通合伙) 34159 专利代理师 张影 (51)Int.Cl. G06Q 30/06(2012.01) G06F 16/36(2019.01) G06F 16/9535(2019.01) G06F 16/958(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于知识图谱的个性化推荐方法及装 置 (57)摘要 本发明公开了一种基于知识图谱的个性化 推荐方法及装置， 方法包括： S1： 将用户、 物品以 及物品的属性值抽象为实体节 点， 基于用户与物 品之间的关系建立第一边， 将物品与物品属性值 之间的属性 关系作为第二边， 进而构建出包含用 户与物品的协同知识图谱， 并根据协同知识图谱 获取实体节点之间的嵌入表示； S2： 针对实体节 点中用户u与实体节点中物品i之间的连接路径， 根据各个实体节点的嵌入对连接路径进行聚合 处理， 得到连接路径的嵌入表示； S3： 使用实体节 点之间的嵌入表示 以及连接路径的嵌入表示训 练预先搭建的模 型直至模型收敛， 得到目标预测 模型， 所述目标预测模型用于向用户推荐物品。 本方法以端到端的方式可以进行更加准确的物 品推荐。 权利要求书3页 说明书9页 附图4页 CN 114445180 A 2022.05.06 CN 114445180 A 1.一种基于知识图谱的个性 化推荐方法， 其特 征在于， 包括以下步骤： S1： 将用户、 物品以及物品的属性值抽象为实体节点， 基于用户与物品之间的关系建立 第一边， 将物品与物品属 性值之间的属 性关系作为第二边， 进而构建出包含用户与物品的 协同知识图谱， 并根据 协同知识图谱获取实体节 点之间的嵌入表示， 其中， 所述用户与 物品 之间的关系包括： 用户对物品的购买关系， 用户对物品的点击关系中的一种或组合； S2： 针对实体节点中用户u与实体节点中物品i之间的连接路径， 根据各个实体节点的 嵌入对连接路径进行聚合处 理， 得到连接路径的嵌入表示； S3： 使用实体节点之间的嵌入表示以及连接路径的嵌入表示训练预先搭建的模型直至 模型收敛， 得到目标预测模型， 所述目标预测模型用于 向用户推荐物品， 其中， 所述预先搭 建的模型包括： 多层感知机模型。 2.根据权利要求1所述的一种基于知识图谱的个性化推荐方法， 其特征在于， 所述根据 协同知识图谱获取实体节点之间的嵌入表示， 包括： 针对知识图谱中的每一个实体节点， 获取所述实体节点的邻居节点， 根据邻居节点的 嵌入以及实体节点与邻居节点之间关系的嵌入更新所述实体节点的嵌入表示； 针对实体节点更新后的协同知识图谱 网络中的每一个实体节点， 返回执行所述获取所 述实体节点的邻居节点的步骤， 直至达到设定更新条件， 其中， 所述设定更新条件包括： 更 新次数。 3.根据权利要求2所述的一种基于知识图谱的个性化推荐方法， 其特征在于， 所述根据 邻居节点的嵌入以及实体节点与邻居节点之间关系的嵌入更新所述 实体节点的嵌入表示， 包括： 利用公式， 计算实体节点的 嵌入表示， 其中， 为经过l层更新后的实体节点h的嵌入表示； ReLU为激活函数； 为第l层的可训 练的第二权重矩阵； eh(l‑1)为实体节点h的l ‑1层的嵌入表示； 为实体h邻域的l ‑1 层嵌入表示， 且 为实体节点h的邻域嵌入， W1为可 训练的第一权重矩阵， et为尾实体的嵌入， rh,t为节点h和节点t之间关系r的嵌入， 为拼接 操作符号； b1为第一偏置 。 4.根据权利要求1所述的一种基于知识图谱的个性化推荐方法， 其特征在于， 所述步骤 S2包括： 在协同知识图谱中获取实体节点中用户u与实体节点中物品i之间的连接路径， 其中， 所述连接路径中包括的实体节点数量 为预先设定的； 针对每一条连接路径， 利用循环神经网络根据连接路径上各个实体节点的嵌入更新所 述连接路径上 各个节点的隐藏状态的输出； 使用平均池化操作对用户u与物品i之间的连接路径进行聚合处 理。 5.根据权利要求4所述的一种基于知识图谱的个性化推荐方法， 其特征在于， 所述利用 循环神经网络根据连接路径上各个实体节点的嵌入更新所述连接路径上各个节点的隐藏权　利　要　求　书 1/3 页 2 CN 114445180 A 2状态的输出， 包括： 利用公式， 计算出连接 路径上 各个节点的隐藏状态的输出， 其中， 为循环神经网络对pn路径第a个节点的隐藏状态的输出； tanh为激活函数； W3为输 入层的第三权重矩阵； 为pn路径中第a个节点的嵌入； W4为隐藏层的第四权重矩阵； 为循环神经网络第a ‑1层隐藏状态的输出； b2为第二偏置 。 6.根据权利要求4所述的一种基于知识图谱的个性化推荐方法， 其特征在于， 所述使用 平均池化操作对用户u与物品i之间的连接路径进行聚合处 理， 包括： 利用公式， 对用户u与物品i之间的连接路径进行聚合处 理， 其中， P[x]为P中x维的值， 且P为P(u,i)中的多条路径聚合的最终嵌入表示； 为取 平均值操作； n 为连接路径的数量； pt[x]为第t条路径嵌入的第x维的值。 7.根据权利要求1所述的一种基于知识图谱的个性化推荐方法， 其特征在于， 所述S3步 骤包括： 将实体节点之间的嵌入表示以及连接路径的嵌入表示训练预 先搭建的模型中； 利用公式， 计算出当前次迭代中实体节点之 间的嵌入表示以及连接路径的嵌入表示对应的预测结果， 其中， 为用户u对物品i的预测得分； MLP为多层感知机模型； eu为编号为u的用户节点的嵌 入表示； ei为编号为i的物品节点的嵌入表示； 利用公式， 计算出 当前次迭代的损失值， 其中， 为当前次迭代的损失值； ∑为求和符号； R+为用户与物品有交互的集合； R‑为用户与 物品未交 互的集合； 在当前次迭代的损失值大于设定 阈值时， 利用反向传播算法更新多层感知机模型的超 参数， 并返回执行所述计算出当前次迭代中实体节点之 间的嵌入表示以及连接路径的嵌入 表示对应的预测结果的步骤， 直至模型收敛； 在当前次迭代的损失值小于或等于设定阈值时， 判定模型收敛， 得到目标模型。 8.一种基于知识图谱的个性 化推荐装置， 其特 征在于， 所述装置包括： 构建模块， 用于将用户、 物品以及物品的属性值抽象为实体节点， 基于用户与物品之间 的关系建立第一边， 将物品与物品属 性值之间的属 性关系作为第二边， 进而构建出包含用 户与物品的协同知识图谱， 并根据 协同知识图谱获取实体节 点之间的嵌入表示， 其中， 所述 用户与物品之间的关系包括： 用户对物品的购买关系， 用户对物品的点击关系中的一种或 组合； 聚合模块， 用于针对实体节点中用户u与实体节点中物品i之间的连接路径， 根据各个权　利　要　求　书 2/3 页 3 CN 114445180 A 3