(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 202210266176.6 (22)申请日 2022.03.15 (71)申请人 长沙理工大 学 地址 410000 湖南省长 沙市天心区万家丽 南路2段96 0号 (72)发明人 杨晔　李平　 (51)Int.Cl. G06F 16/335(2019.01) G06F 16/36(2019.01) G06F 40/279(2020.01) G06F 40/258(2020.01) G06N 3/04(2006.01) (54)发明名称 一种基于知识图谱的新闻推荐方法 (57)摘要 本发明涉及推荐系统的新闻推荐领域， 尤其 是一种基于知识图谱的新闻推荐方法。 1)根据新 闻标题中的单词， 找到其中所包含的知识实体， 具体是通过实体链接技术和实体消歧技术找到 新闻标题中包含的知 识实体； 2)使用词嵌入技术 将新闻标题的单词序列转化为一组嵌入向量集， 接着使用卷积神经网络提取标题的局部信息， 然 后使用一个基于新闻类别的注意力网络得到新 闻标题的单词层面的表示； 3)使用实体嵌入技术 将新闻标题中包含的知 识实体转化为实体向量， 接着根据知识图谱的结构， 使用消息传递机制， 找到标题中包含的实体的邻居， 最后使用消息聚 合机制， 将实体邻居的消息聚合起来， 形成最后 的新闻标题的知 识层面的表示； 4)根据第二步获 得的单词层面的表示和第三步获得的知识层面 的表示， 获取新闻的最终表示； 5)根据用户的历 史点击新闻纪录和候选新闻， 逐个计算历史新闻 与候选新闻的相关性， 以此 获取不同历史新闻的权重， 然后通过加权来获取用户表示； 6)根据第 四步计算的新闻表示和第五步计算的用户表示， 通过内积 操作来预测用户点击候选新闻的概 率。 权利要求书2页 说明书3页 附图2页 CN 114691855 A 2022.07.01 CN 114691855 A 1.一种基于知识图谱的新闻推荐的方法。 其特征在于， 所述方法由计算机执行， 包括以 下步骤： A1、 实体识别 A2、 单词层面 新闻建模 A3、 知识层面 新闻建模 A4、 获取新闻表示 A5、 获取用户表示 A6、 预测输出。 2.如权利要求1所述的基于知识图谱的新闻推荐的方法， 其特征在于， 根据新闻标题中 的单词， 找到其中所包含的知识实体， A1的具体实现过程如下： 通过实体链接技术和实体消 歧技术找到新闻标题中包 含的知识实体。 3.如权利要求1所述的基于知识图谱的新闻推荐的方法， 其特征在于， 对新闻标题进行 单词层面的建模， A2的具体实现过程如下： 给定新闻vi的标题单词序列表示为vi＝[w1， w2， ...，wM]， 使用词嵌入技术将单词序列转化为一组嵌入向量集Ew＝[e1， e2， ...， eM]， 接着 使用卷积神经网络提取标题的局部信息， 然后使用一个基于新闻类别的注意力网络得到新 闻标题的单词层面的表示。 式1表示卷积 操作， 式2和式3表示注意力网络： ci＝ReLU(Fw×e(i‑k)： (i+k)+bw) (1) 4.如权利要求1所述的基于知识图谱的新闻推荐的方法， 其特征在于， 对新闻标题进行 知识层面的建模， A3的具体实现过程如下： 使用实体嵌入技术将新闻标题中包含的知识实 体转化为实体向量， 接着根据知识图谱的结构， 使用消息传递机制， 找到标题中包含的实体 的邻居， 最后使用消息聚合机制， 将实体邻居的消息聚合起来， 形成最后的新闻标题的知识 层面的表示。 式4和式5表示消息传递， 式6和式7表示消息聚合： aggconcat＝σ(W·(e0||e1||...||eL)+b) (7) 5.如权利要求1所述的基于知识图谱的新闻推荐的方法， 其特征在于， 获取新闻的表 示， A4的具体实现过程如下： 给定输入的新闻vi， 根据A2获得的单词层 面的表示和A3获得的 知识层面的表示， 获取新闻的最终表示。 其中v表示最终的新闻表示， vw表示单词层面的新 闻表示， vk表示知识层面的新闻表示： v＝[vw， vk] (8) 6.如权利要求1所述的基于知识图谱的新闻推荐的方法， 其特征在于， 获取用户的表 示， A5的具体实现过程如下： 根据用户的历史点击新闻纪录和候选新闻， 逐个计算历史新闻 与候选新闻的相关性， 以此获取不同历史新闻的权重， 然后通过加权来获取用户表示。 式9权　利　要　求　书 1/2 页 2 CN 114691855 A 2表示计算历史新闻的权 重， 式10来获取用户表示： 7.如权利要求1所述的基于知识图谱的新闻推荐的方法， 其特征在于， 获取用户点击候 选新闻的概率， A6的具体实现过程如下： 根据A4计算的新闻表 示和A5计算的用户表 示， 通过 内积操作来预测用户点击新闻的概 率。 式11计算点击的概 率， 式12为损失函数： 权　利　要　求　书 2/2 页 3 CN 114691855 A 3