(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210120345.5 (22)申请日 2022.02.09 (65)同一申请的已公布的文献号 申请公布号 CN 114153997 A (43)申请公布日 2022.03.08 (73)专利权人 中国传媒大 学 地址 100024 北京市朝阳区定福庄东 街1号 (72)发明人 李传珍　穆雨彤　蔡娟娟　刘昱辰　 张洋　王晖　 (74)专利代理 机构 北京鸿元知识产权代理有限 公司 11327 专利代理师 王迎　袁文婷 (51)Int.Cl. G06F 16/435(2019.01) G06F 16/48(2019.01)G06F 16/36(2019.01) G06N 3/04(2006.01) 审查员 吴媛媛 (54)发明名称 基于双线性感知 图神经网络模型的视听推 荐系统、 方法 (57)摘要 本发明提供一种基于双线性感知 图神经网 络模型的视听推荐系统、 方法， 通过相似度函数 计算获取的节目向量与预获取的用户嵌入向量 的相似度； 而后使用预测激活函数 （sigmoid激活 函数） 将相似度的范围限制在预设区间内， 以将 预设区间内的值作为用户视听选择的可能性评 估分值， 构建为基于知 识图谱的个性化视听推荐 模型——融合文本信息的双线性知识感知图神 经网络模型系统； 该系统通过在图神经网络的基 础上增加双线性采集器来捕捉知识图谱中邻居 节点的二阶特征交互信息， 获取节目知识向量， 并且通过节目文本表示模块获取节目文本向量， 进而基于节目知识向量与节目文本向量获取推 荐数据， 如此， 提高视听推荐的精度， 提升视听推 荐运营效果， 提高用户黏 性。 权利要求书2页 说明书9页 附图6页 CN 114153997 B 2022.05.10 CN 114153997 B 1.一种基于双线性感知图神经网络模型的视听推荐系统， 其特征在于， 包括用于获取 节目知识向量的节目知识表示模块、 用于获取节目文本向量的节目文本表示模块和用于基 于所述节目知识向量与所述节目文本向量获取推荐数据的预测模块； 其中， 所述节目知识表示模块包括嵌入层和信息传播层； 其中， 所述嵌入层用于根据所接收 的知识图谱获取关于所述知识图谱的嵌入向量； 所述信息传播层包括线性采集器、 双线性 采集器和信息融合层； 其中， 所述线性采集器用于根据所述嵌入向量 获取高阶连通信息； 所 述双线性采集器用于根据所述嵌入向量 获取二阶特征 交互信息； 所述信息融合层用于对所 述高阶连通信息、 所述二阶特征交互信息和预获取的其他数据信息进 行融合处理以形成节 目知识向量； 其中， 所述线性采集器为基于GCN  的线性采集器； 所述基于GCN  的线性采集器通过线性加权求和算法基于用户嵌入向量与邻居关系嵌 入向量获取高阶连通信息； 其中， 所述基于GCN  的线性采集器包括邻居权 重单元和基于GCN  的聚合单 元， 所述邻居权重单元用于根据所述用户嵌入向量与所述邻居关系嵌入向量获取用户与 邻居关系相似度的函数， 并对所述用户与邻居关系相似度的函数进行归一化处理以获取线 性聚合权 重： 所述基于GCN  的聚合单元用于基于所述线性聚合权重使用卷积核对关于所述用户嵌 入向量与所述邻居关系嵌入向量的数据进行局部感知以形成高阶连通信息； 所述双线性采集器通过邻居实体嵌入向量使所述知识图谱中两个相邻的邻居实体进 行交互， 并通过多 项式交互捕捉相邻的邻居实体的二阶特 征交互信息； 所述节目文本表示模块为基于文本嵌入模型、 序列编码模型和注意力 机制的组合网络 结构； 其中， 所述文本嵌入模型用于根据节目文本数据提取关于节目信息的字 向量或句向 量； 所述序列编码模型用于根据所述字向量或句向量提取关于所述节目文本数据的特征信 息； 所述注意力机制用于根据所述特征信息获取重要性参数， 以基于所述重要性参数生成 节目文本向量； 所述预测模块包括向量合并层和得分预测层； 其中， 所述向量合并层用于将所述节目 知识向量与所述节目文本向量合并为节目向量； 所述得分预测层用于通过相似度函数计算 所述节目向量与预获取的用户嵌入向量的相似度， 并使用预测激活函数将所述相似度的范 围限制在预设区间内， 以将所述预设区间内的值作为用户视听选择的可能性评估分值。 2.如权利要求1所述的基于双线性感知图神经网络模型的视听推荐系统， 其特 征在于， 所述嵌入向量至少包括基于所述知识图谱的邻居关系获取的邻居关系嵌入向量、 基于 所述知识图谱的节目获取的节目嵌入向量和关于所述知识图谱的邻居实体获取的邻居实 体嵌入向量。 3.如权利要求2所述的基于双线性感知图神经网络模型的视听推荐系统， 其特征在于， 还包括用户信息模块； 其中， 所述用户信息模块用于通过嵌入层将预获取的用户信息进行数据转换以形成用户嵌 入向量。 4.如权利要求3所述的基于双线性感知图神经网络模型的视听推荐系统， 其特 征在于， 所述节目知识表示模块还包括与 所述信息传播层相连接的交互获取模块； 所述交互获权　利　要　求　书 1/2 页 2 CN 114153997 B 2取模块用于预获取 所述其他数据信息； 所述 其他数据信息 至少包括交 互信息。 5.如权利要求1所述的基于双线性感知图神经网络模型的视听推荐系统， 其特 征在于， 所述信息融合层采用加 和聚合器， 或拼接聚合器， 或邻居聚合器。 6.如权利要求1所述的基于双线性感知图神经网络模型的视听推荐系统， 其特 征在于， 基于文本嵌入模型、 序列编码模型和注意力机制的组合网络结构为基于ALBERT  + Bi‑ LSTM + Attention 的网络结构； 其中， 所述文本嵌入模型为ALBERT； 所述序列编码模型为Bi ‑LSTM； 所述注意力机制为 Attention。 7.一种基于双线性感知图神经网络模型的视听推荐方法， 其特征在于， 基于权利要求 1‑6任一所述的基于双线性感知图神经网络模型的视听推荐系统， 包括： 根据所接收的知识图谱获取关于所述知识图谱的嵌入向量； 通过线性采集器根据 所述嵌入向量获取高阶连通信 息， 通过双线性采集器根据 所述嵌 入向量获取二阶特 征交互信息； 通过信息融合层对所述高阶连通信 息、 所述二阶特征交互信 息和预获取的其他数据信 息进行融合处 理以形成节目知识向量； 将所述节目知识向量与所获取的节目文本向量合并为节目向量， 并通过相似度函数计 算所述节目向量与预获取 的用户嵌入向量的相似度； 其中， 所述节目文本 向量通过节目文 本表示模块 获取； 且， 所述节目文本表示模块为基于文本嵌入模型、 序列编 码模型和注意力 机制的组合网络结构； 使用预测激活函数将所述相似度的范围限制在预设区间内， 以将所述预设区间内的值 作为用户视听选择的可能性评估分值。 8.如权利要求7所述的基于双线性感知图神经网络模型的视听推荐方法， 其特征在于， 通过信息融合层对所述高阶连通信息、 所述二阶特征 交互信息和预获取的其他数据信息进 行融合处 理以形成节目知识向量的过程， 包括： 通过所述信 息融合层对单层内的高阶连通信 息、 二阶特征交互信 息和预获取的其他数 据信息进行整合以形成邻居聚合向量； 使用GCN对所述邻居聚合向量和节目嵌入向量进行迭代聚合以形成节目知识向量。权　利　要　求　书 2/2 页 3 CN 114153997 B 3