(19)中华 人民共和国 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 202111666210.0 (22)申请日 2021.12.31 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 陈碧毅　黄玲　王昌栋　 (74)专利代理 机构 深圳市创富知识产权代理有 限公司 4 4367 代理人 高冰 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9536(2019.01) G06F 16/951(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于隐式反馈的物品推荐 方法、 系统及 装置 (57)摘要 本发明公开了一种基于隐式反馈的物品推 荐方法、 系统及装置， 该方法包括： 根据用户与物 品之间的信息和物品与物品之间的信息构建信 息矩阵和信息网络； 根据信息矩阵和 信息网络学 习用户隐因子向量、 物品隐因子向量、 物品辅助 特征向量和用户辅助特征向量； 根据用户隐因子 向量、 物品隐因子向量、 物品辅助特征向量和用 户辅助特征向量构建预测向量进行预测， 生成推 荐物品。 该系统包括： 构建模块、 学习模块和预测 模块。 该装置包括存储器以及用于执行上述基于 隐式反馈的物品推荐 方法的处理器。 通过使用本 发明， 简单且准确的实现物品推荐。 本发明作为 一种基于隐式反馈的物品推荐方法、 系统及装 置， 可广泛应用于物品推荐领域。 权利要求书2页 说明书7页 附图2页 CN 114218497 A 2022.03.22 CN 114218497 A 1.一种基于隐式反馈的物品推荐方法， 其特 征在于， 包括以下步骤： 根据用户与物品之间的信息和物品与物品之间的信息构建信息矩阵和信息网络； 根据信息矩阵和信息网络学习用户隐因子向量、 物品隐因子向量、 物品辅助特征向量 和用户辅助特 征向量； 根据用户隐因子向量、 物品隐因子向量、 物品辅助特征向量和用户辅助特征向量构建 预测向量并计算预测匹配分数。 2.根据权利要求1所述 一种基于隐式反馈的物品推荐方法， 其特 征在于， 还 包括： 构建损失函数并进行参数 更新。 3.根据权利要求2所述一种基于隐式反馈的物品推荐方法， 其特征在于， 所述根据用户 与物品之 间的信息和物品与 物品之间的信息构建信息矩阵和信息网络这一步骤， 其具体包 括： 根据用户与物品的交 互信息构建交 互信息矩阵； 根据用户与物品的生成信息构建生成关系矩阵； 根据物品与物品的生成信息构建共同生成网络 。 4.根据权利要求3所述一种基于隐式反馈的物品推荐方法， 其特征在于， 所述根据信 息 矩阵和信息网络学习用户隐因子向量、 物品隐因子 向量、 物品辅助特征向量和用户辅助特 征向量这一步骤， 其具体包括： 基于深度神经网络多层感知机对交互信 息矩阵进行处理， 学习得到用户隐因子向量和 物品隐因子向量； 基于图注意力网络对 共同生成网络进行处 理， 学习得到物品辅助特 征向量； 将生成关系矩阵与物品辅助特 征向量结合， 生成用户辅助特 征向量。 5.根据权利要求4所述一种基于隐式反馈的物品推荐方法， 其特征在于， 学习物品隐因 子向量， 公式表示 为： 上式中， 表示m个用户对n个物品的交互矩阵， 表示物品i的交互向 量， L是MLP的层数， 是L个权重矩阵， 是L个偏置向量， 是L‑ 1个隐藏层表示向量， f( ·)表示激活函数， 表示学习得到的物品i的隐因子向量。 6.根据权利要求5所述一种基于隐式反馈的物品推荐方法， 其特征在于， 学习用户隐因 子向量， 公式表示 为： 权　利　要　求　书 1/2 页 2 CN 114218497 A 2上式中， 表示用户u的交互向量， f( ·)表示激活函数， 表示学习得到 的用户u的隐因子向量。 7.根据权利要求6所述一种基于隐式反馈的物品推荐方法， 其特征在于， 所述构建预测 向量并计算预测匹配分数的公式如下： 上式中， 表示物品预测向量， 由物品隐因子向量pi和物品辅助特征向量xi拼接而成， 表示用户预测向量， 由用户隐因子 向量qu和用户辅助特征向量yu拼接而成， ⊙表示向量 对应元素相乘， 表示权重向量， σ( ·)表示激活函数Sigmoid， 表示用户u对物 品i的预测匹配分数。 8.根据权利要求7所述一种基于隐式反馈的物品推荐方法， 其特征在于， 所述损失函数 的公式如下： 上式中， Θ表示待修整参数， 表示正样本， 表示随机抽取的负 样本。 9.一种基于隐式反馈的物品推荐系统， 其特 征在于， 包括： 构建模块， 用于根据用户与物品之间的信 息和物品与物品之间的信 息构建信 息矩阵和 信息网络； 学习模块， 用于根据信 息矩阵和信 息网络学习用户隐因子向量、 物品隐因子向量、 物品 辅助特征向量和用户辅助特 征向量 预测模块， 用于根据用户隐因子向量、 物品隐因子向量、 物品辅助 特征向量和用户辅助 特征向量构建预测向量并计算预测匹配分数。 10.一种基于隐式反馈的物品推荐装置， 其特 征在于， 包括： 至少一个处 理器； 至少一个存 储器， 用于存 储至少一个程序； 当所述至少一个程序被所述至少一个处理器执行， 使得所述至少一个处理器实现如权 利要求1‑8任一项所述 一种基于隐式反馈的物品推荐方法。权　利　要　求　书 2/2 页 3 CN 114218497 A 3