(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 202211051437.9 (22)申请日 2022.08.30 (71)申请人 上海大学 地址 200436 上海市宝山区上 大路99号 (72)发明人 武星　李逸松　 (74)专利代理 机构 上海申汇 专利代理有限公司 31001 专利代理师 翁若莹　柏子雵 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/9535(2019.01) G06Q 30/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于图神经网络的双端推荐方法及系 统 (57)摘要 本发明揭示了一种基于图神经网络的双端 推荐系统及方法， 包括物品嵌入层、 用户嵌入层、 结果输出层； 知识图谱构建好之后， 将其输入到 图卷积网络层进行节点及其领域信息的表示， 这 一层递归地传播来自节点的邻居的嵌入以更新 某个节点的领域信息。 之后， 物品嵌入层将图卷 积网络层输出的领域信息输入到多头自注意力 网络层。 而用户嵌入层类似于物品嵌入层， 将用 户的邻域信息和自身信息进行聚合作为用户的 最终表示； 对于每一个用户， 预测他/她会浏览某 个商品的概率， 就是结果预测层的内容。 本发明 提供的基于图神经网络的双 端推荐系统及方法， 在真实数据中验证了网络的合理性和有效性， 整 体实验效果良好， 推荐符合 一般认知。 权利要求书3页 说明书9页 附图1页 CN 115391558 A 2022.11.25 CN 115391558 A 1.一种基于 图神经网络的双端推荐系统， 其特征在于， 包括图构建层、 物品嵌入层、 用 户嵌入层以及结果输出层， 其中： 图构建层用于基于用户与物品的交互数据、 物品属性数据以及用户属性数据构建物品 知识图谱以及用户属性图， 其中： 将物品属性数据处理成三元组(物品一,关系,物品二)的 形式进行存储； 将用户属性数据处理成三元组(物品,属性,属性值)的形式进行存储， 通过 属性来表示用户与属性 值之间的关系； 物品嵌入层： 将包括节点、 关系、 图结构在内的物品知识图谱数据输入到图卷积网络进 行节点及其邻域信息的表示， 用于捕获两个物品知识图谱中实体之间的高阶结构相似性； 物品嵌入层递归地传播来自节点的邻居的嵌入以更新某个节点的领域信息， 物品知识图谱 采用用户与 物品的交互数据来表示传播期间每个邻居的权重； 当取到图卷积网络得到的邻 域信息表示之后， 将物品知识图谱上节点原本的表示与邻域信息表示进行聚合， 得到物品 的最终表示； 用户嵌入层： 用户嵌入层基于用户属性图采用与物品嵌入层相同的处理方法获得用户 的最终表示， 其中， 用户属 性图采用用于三元组中表示用户与属 性值之间的关系的属 性来 表示传播期间每 个邻居的权 重； 结果输出层： 用于基于物品的最终表示以及用户的最终表示进行结果的预测， 对于每 一个用户， 预测该用户会点击某个物品文档的概 率， 用一个匹配分数来表示。 2.如权利要求1所述的一种基于图神经网络的双端推荐系统， 其特征在于， 所述用户与 物品的交互数据为用户与物品文档的交互数据， 交互行为包括点击查看、 收藏、 加入购物 车、 购买； 所述物品属性数据为有关物品属性的数据； 所述用户属性数据为有关用户属性的 数据。 3.如权利要求1所述的一种基于图神经网络的双端推荐系统， 其特征在于， 所述结果输 出层基于匹配分数向当前用户进行商品推荐。 4.如权利要求1所述的一种基于图神经网络的双端推荐系统， 其特征在于， 所述物品嵌 入层计算所述领域信息时先利用GCN计算节点领域信息， 再利用多头自注意力网络进行关 系的深度 挖掘； 所述用户嵌入层计算所述领域信息时仅利用GCN计算节点领域信息 。 5.一种基于图神经网络的双端推荐系统的网络结构方法， 其特 征在于， 包括如下步骤： S100、 原始数据处理： 获取原始的用户与物品的交互数据Y、 物品的物品属性数据、 用户 的用户属性数据； 将物品的物品属性数据和用户的用户属性数据按照 构建物品知识图谱及 用户属性图需要的格式处理数据， 其中： 将物品属性数据处理成三元 组(物品一,关系,物品 二)的形式进行存 储； 将用户属性数据处 理成三元组(物品,属性,属性 值)的形式进行存 储； S200、 构建物品知识图谱： 在步骤S100处理好数据之后， 利用物品属性数据构建物品知识图谱Gv， 一个物品v恰好 对应物品知识图谱Gv中一个实体， 即{(v,e)|v∈V,e∈E}}， e表示物品知识图谱Gv中的一个 实体； S300、 构建用户属性图： 在步骤S10 0处理好数据之后， 利用 用户信息构建用户属性图Gu； S400、 物品嵌入层： 在物品嵌入层， 首先使用图卷积的方式对物品知识图谱Gv中某个节点的邻居节点信息权　利　要　求　书 1/3 页 2 CN 115391558 A 2进行聚合表 示， 在计算邻居节点权重的方式上， 利用用户u和某个 关系r之间的分数来计算； 之后， 将节点的邻域信息输入到多头自注意力机制层， 更深层次地提取节点之间的关联； 最 后， 将节点的邻域信息和节点本身的嵌入结合形成物品的最终表示； S500、 用户嵌入层： 在用户嵌入层， 首先使用图卷积的方式对用户属性图Gu中某个节点的邻居节点信息进 行聚合表 示， 在计算邻居节点权重的方式上， 利用用户u和某个属性p之 间的分数来计算； 计 算好用户的邻域信息之后， 将其与用户表示聚合形成用户的最终表示； S600、 结果层预测： 在前面的物品嵌入层和用户嵌入层分别拿到最终的物品嵌入表示 和最终的用户嵌入表示， 将它一 起输入到结果预测层的预测函数f最后进行 预测。 6.如权利要求5所述的一种基于图神经网络的双端推荐系统的网络结构方法， 其特征 在于， 步骤S 200形成的物品知识图谱Gv和步骤S300形成的用户属性图Gu以txt的形式存储进 行读取。 7.如权利要求5所述的一种基于图神经网络的双端推荐系统的网络结构方法， 其特征 在于， 步骤S40 0具体包括以下步骤： S401、 改进物品知识图谱Gv中邻居节点的权 重： 从特定的用户u出发， 使用函数g(u,r)来计算物品知识图谱Gv中邻居节点的权重 函 数g(u,r)计算用户u和某个关系r之间的分数， 为计算 不同用户对不同关系的喜欢程度； S402、 利用GCN计算节点领域信息： 利用邻居信息的线性组合 来表示节点的领域信息 计算方式如下： 其中， S(v)表示所有和实体v直接相连的所有实体集合； 表示使用so ftmax对所有 实体e和关系r的g函数 得分进行归一 化处理， 有： rv,e表示实体v与实体e之间的关系； S403、 输入多头自注意力网络层进行关系的深度 挖掘： 在计算出邻居信息 的线性组合之后， 将节点的领域信息输入self ‑attention层， 并且 通过多头注意力机制从多个角度去寻找节点领域信息之 间的关系， 深度挖掘物品知识图谱 Gv中其他尚未被发现的关系； 最终， 节点得到的领域信息表示不仅包含了用户u和某个关系 r之间的分数， 而且 还包括领域之间的关系信息， 表示如下： S404、 聚合操作： 得到节点领域信息的表示N(v)之后， 将物品v的节点嵌入表示v与 其邻域信息N(v)进行 聚合， 形成物品的最终表示。 8.如权利要求7所述的一种基于图神经网络的双端推荐系统的网络结构方法， 其特征权　利　要　求　书 2/3 页 3 CN 115391558 A 3