(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 20221017046 3.7 (22)申请日 2022.02.23 (65)同一申请的已公布的文献号 申请公布号 CN 114610989 A (43)申请公布日 2022.06.10 (73)专利权人 苏州大学 地址 215000 江苏省苏州市吴中区石湖西 路188号 (72)发明人 王杰　周经亚　王进　吴臻　 孙锡刚　 (74)专利代理 机构 苏州市中南伟业知识产权代 理事务所(普通 合伙) 32257 专利代理师 李柏柏 (51)Int.Cl. G06F 16/9535(2019.01)G06F 16/36(2019.01) G06F 16/335(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 沈冬东 等.基 于知识图谱嵌入与多神经网 络的序列推荐算法. 《计算机 工程与科 学》 .2020, 全文. Chenchao Wang 等.CTHGAT:Category- aware and Time-aware Next Po int-of- Interest via. 《2021 IE EE Internati onal Conference o n System s, Man, and Cybernetics (SM C)》 .2021,全 文. 审查员 高珊 (54)发明名称 基于异构图动态信息补偿的个性化论文推 荐方法及系统 (57)摘要 本发明涉及一种基于异构图动态信息补偿 的个性化论文推荐方法， 方法首先从学术HIN中 按照有向边 以及节点出入度游走方式提取多样 化的交互元路径； 然后通过采样得到的多种元路 径来学习用户节点和论文节点的嵌入并用全连 接层进行融合， 作为总体兴趣和受众趋势的表 达， 再利用结合了注意机制的双向长短期记忆神 经网络(Bi ‑LSTM)捕捉隐藏在用户、 论文历史数 据中的动态变化， 来融合成短期变化趋势的表 达； 最后， 利用用户和论文短期变化趋势表达得 到的链接预测结果来补偿总体趋势表达得到的 链接预测结果， 从而使推荐结果更加符合用户当 前的偏好， 解决现有方法存在的路径采样不全 面、 无法挖掘用户兴趣以及论文受众变化的问 题。 权利要求书4页 说明书13页 附图5页 CN 114610989 B 2022.11.18 CN 114610989 B 1.一种基于异构图动态信息补偿的个性 化论文推荐方法， 其特 征在于， 包括以下步骤： 步骤1： 输入学术网络， 构建学术网络异构信息网络图， 基于所述学术网络异构信息网 络图提取用户和论文的历史信息， 其中所述学术网络异构信息网络图由学术网络内多种不 同类型的节点 集合构成； 步骤2： 根据步骤1得到的所述学术网络异构信息网络图设计出分别针对用户和论文的 元路径模式以及基于出入边的元路径采样方法； 步骤3： 根据步骤1得到的用户 和论文的历史信息以及步骤2得到的针对用户 和论文的 元路径模式学习用户和论文的总体趋势表达和短期 趋势表达， 用户和论文的总体趋势表达 分别对每一种元路径模式下采样到的路径进 行表示学习， 并利用全连接层进 行连接得到属 于用户总体兴趣趋势和论文总体受众趋势的表达； 用户和论文的短期 趋势表达根据得到的 总体趋势表达以及步骤1得到的用户和 论文的历史信息， 将用户最近一段时间阅读论文的 总体受众趋势表达利用注意力机制下的Bi ‑LSTM进行连接处理得到用户短期内的兴趣趋势 表达， 同样将论文最新一段时间读者的总体兴趣趋势表达利用注意力机制下的Bi ‑LSTM进 行连接处理得到论文短期内的受众趋势 表达； 步骤4： 将步骤3得到的用户和论文的总体趋势表达做点乘得到的值作为总体趋势下用 户与论文链接存在的预测值， 再将用户和论文的短期 趋势表达做点乘得到的值作为短期趋 势下用户与论文链接存在的预测值， 利用短期 趋势下用户与论文链接存在的预测值补偿总 体趋势下用户与论文链接存在的预测值， 若补偿后的链接预测值大于设定的阈值时， 则将 论文推荐给用户， 若补偿后的链接预测值小于等于设定的阈值时， 则不将论文推荐给用户。 2.根据权利要求1所述的基于异构图动态信息补偿的个性化论文推荐方法， 其特征在 于， 步骤1中提取用户和论文的历史信息的方法包括： 将用户历史阅读过的论文按每个时间段划分到集合中， 再将所有时间段集合按从小到 大顺序放入一个大集合表示为该用户的历史阅读信息； 将阅读论文的用户按每个时间段划 分到集合中， 再将所有时间段集合按从小到大放入一个大集合表示为该论文的历史被阅读 信息。 3.根据权利要求1所述的基于异构图动态信息补偿的个性化论文推荐方法， 其特征在 于， 步骤2中针对用户和论文的元路径模式以及基于出入边的元路径采样方法， 包括： 在学术网络异构信息网络图的基础上定义元路径模式为： 其中双向箭头表示有向边， 其有两个选择， 即左指向或者右指向， 在进 行基于出入边的元路 径采样时， 严格按照元路径指定的边的连接方向进 行， 当方向为 →时， 表示下一个节点必须 来自源节点的出邻居， 如果方向为 ←， 则下一个节点必须来自入邻居， 且下一个节点的类型 与元路径指定的类型一 致。 4.根据权利要求1所述的基于异构图动态信息补偿的个性化论文推荐方法， 其特征在 于， 用户和论文的总体趋势表达分别对每一种 元路径模式下采样到的路径进行表示学习， 并利用全连接层进行连接得到属于用户总体兴趣趋势和 论文总体受众趋势的表达的方法 包括： 利用skip ‑gram模型的Deep  Walk表示学习方法对每个元路径模式下的采样结果进行 初始嵌入 其中mpk表示用户u在第k个元路径模式下得到的嵌入样本集权　利　要　求　书 1/4 页 2 CN 114610989 B 2合； 使用全连接层组合从每个元路径中学到的初始嵌入， 分别得到用户总体兴趣趋势的表 达和论文总体受众趋势的表达如下： 其中， |MPU|表示用户元路径种类的数量， WU表示要学习的用户全连接层权重矩阵， |MPP |表示论文元路径种类的数量， WP表示要学习的论文全连接层权 重矩阵。 5.根据权利要求1所述的基于异构图动态信息补偿的个性化论文推荐方法， 其特征在 于， 用户的短期 趋势表达根据得到的总体趋势表达以及步骤1得到的用户的历史信息， 将用 户最近一段时间阅读论文的总体受众趋势表达利用注 意力机制下的Bi ‑LSTM进行连接处理 得到用户短期内的兴趣趋势 表达的方法包括： 将用户历史信息中的前a％阅读数据作为训练集的正样本， 使用Ptrain的最后b％形成该 用户包含动态变化信息的数据为： 其中DCIUu表示包含用户u的动态变化信息； 设计注意力感知的Bi ‑LSTM捕获DCIUu的动态变化信息为 其中 表示向量的拼接操 作， E′u表示用户u短期内的兴趣趋势 表达， Bi‑LSTM的公式如下： 其中hi表示第i个内容的输出隐态， ⊙表示Hadamard乘积， bj(j∈{z， f， t， c}) 表示第i个内容特征的需要学习的参数， zi、 fi和oi分别是遗忘门向量、 输入门向量和输出门 向量。 6.根据权利要求5所述的基于异构图动态信息补偿的个性化论文推荐方法， 其特征在 于， 所述注意力感知的Bi ‑LSTM的注意力权 重定义如下： 其中α 表示可训练的注意向量， σ 表示非线性的激活函数。 7.根据权利要求1所述的基于异构图动态信息补偿的个性化论文推荐方法， 其特征在权　利　要　求　书 2/4 页 3 CN 114610989 B 3