(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 202211086505.5 (22)申请日 2022.09.05 (71)申请人 淮阴工学院 地址 223400 江苏省淮安市 涟水县海安路 10号安东大厦八楼 (72)发明人 李翔　束玮　谢乾　朱全银　任柯　 周泓　孙纪舟　陈帅　张曼　 费晶茹　徐伟　杨秋实　洪玉昆　 (74)专利代理 机构 淮安市科文知识产权事务所 32223 专利代理师 吴晶晶 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/901(2019.01) G06F 16/2458(2019.01)G06Q 10/08(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于动态兴趣和知识图谱的冷链物流车源 推荐方法及装置 (57)摘要 本发明公开了一种基于动态兴趣和知识图 谱的冷链物 流车源推荐 方法及装置， 首先对冷链 物流车源信息进行清洗和整理， 定义冷链物流车 源知识图谱框架， 构建所需知识图谱； 采用注意 力机制对货主的历史车源信息进行融合， 将融合 获得的特征向量作为货主长期兴趣表 示， 并通过 兴趣传播算法挖掘货主层级兴趣表 示， 将多层兴 趣表示作为货主短期兴趣表示， 融合货主长短期 兴趣表示得到货主动态兴趣表示； 通过知识图卷 积神经网络挖掘知识 图谱高阶结构信息得到车 源特征表 示； 最后根据货 主动态兴趣表示和车源 特征表示的内积实现冷链物流车源推荐。 本发明 充分利用知识图谱的高阶结构信息和语义信息， 深层次挖掘用户动态兴趣， 实现个性 化推荐。 权利要求书3页 说明书7页 附图3页 CN 115438259 A 2022.12.06 CN 115438259 A 1.一种基于动态兴趣和知识图谱的冷链物流车源推荐方法， 其特征在于， 包括如下步 骤： 步骤1： 对冷链物流车源信息进行清洗和整理， 定义冷链物流车源知识图谱框架， 构建 所需知识图谱G； 步骤2： 采用注意力 机制对货主的历史车源信 息进行融合， 将融合获得的特征向量作为 货主长期兴趣表示ul， 并通过兴趣传播算法挖掘货主层级兴趣表示， 将多层兴趣表示作为 货主短期兴趣表示us， 融合货主短期兴趣表示us与货主长短期兴趣表示ul得到货主动态兴 趣表示od； 步骤3： 通过知识图卷积神经网络挖掘知识图谱高阶结构信息得到车源特 征表示vu； 步骤4： 根据货主动态兴趣表示 od和车源特 征表示vu的内积实现 冷链物流车源推荐。 2.根据权利要求1所述的基于动态兴趣和知识图谱的冷链物流车源推荐方法， 其特征 在于， 所述 步骤1的具体方法为： 步骤1.1： 根据无车承运平台车源数据分析冷链物流车源知识图谱中的实体， 主要有： 车牌号、 车型、 载重、 制冷能力和地区， 不同的实体类之间存在关系， 关系类别定义为关系指 向实体的类别； 步骤1.2： 从无车承运平台数据库中抽取车源数据， 根据预先定义好的实体分类得到实 体表以及关系表， 存 入数据库； 步骤1.3： 根据数据库中的冷链物流车源实体和关系并通过图形数据库Neo4j构 建冷链 物流车源知识图谱G， 冷链物 流车源知识图谱G由三元组(h， r， t)组成， 其中h∈E， t∈E， r∈R 分别表示三元 组的头实体、 尾实体和实体间的关系， E和R分别表 示知识图谱G中的实体和关 系集合。 3.根据权利要求1所述的基于动态兴趣和知识图谱的冷链物流车源推荐方法， 其特征 在于， 所述 步骤2中获取货主长期兴趣表示的具体方法为： 步骤2.1： 获取完整的货主历史车源集 合H＝{v1， v2，…， vn}； 步骤2.2： 初始化历史车源向量vi和候选车源向量v； 步骤2.3： 定义循环变量 i， 赋初始值 为1， 定义货主的长期兴趣表示 为ul； 步骤2.4： 若i≤len(H)则进入步骤2.5， 否则跳转到步骤2.10； 步骤2.5： 将历史车源向量vi和候选车源向量v 拼接， 输入到注意力网络中得到注意力权 重α′i， 其中a′i＝σ(Wa[vi， v]+ba)， Wa为训练权 重， ba为偏置向量； 步骤2.6： 通过softmax函数归一 化得到融合权 重ai， 其中 步骤2.7： 根据融合权 重ai和车源向量vi乘积得到当前 车源融合向量Ci； 步骤2.8： ul＝ul+Ci； 步骤2.9： i ＝i+1， 跳转到步骤2.4； 步骤2.10： 结束循环， 得到最终的货主长期兴趣表示ul。 4.根据权利要求1所述的基于动态兴趣和知识图谱的冷链物流车源推荐方法， 其特征 在于， 所述 步骤2中获取货主短期兴趣表示的步骤 包括： 步骤2.11： 通过货主交 互序列中筛 选最近交 互的K个车源；权　利　要　求　书 1/3 页 2 CN 115438259 A 2步骤2.12： 定义循环变量 i2， 初始赋值 为1， 定义传播层数， 值 为h； 步骤2.13： 以K个车源作为知识图谱种子集 步骤2.14： 若i2≤h则进入步骤2.15， 否则跳转到步骤2.20； 步骤2.15： 根据实体通过传播方式获得货主 u的i2层邻居节点 集合 步骤2.16： 货主u的i2层的兴趣集合为 其中h∈E， t∈ E， r∈R分别表 示三元组的头实体、 尾实体和实体间的关系， E和R分别表示知识图谱G中的实 体和关系集 合； 步骤2.17： 通过计算候选车源向量v与兴趣集合 中头实体hi在关系空间ri下相关性得 到层内融合权重 其中Ri∈Rd、 hi∈Rd和v∈Rd为关系 ri、 头实体hi和项目v的嵌入表示； 步骤2.18： 将兴趣集合中的尾实体向量表示进行加权得到i2层货主兴趣表示 其中 步骤2.19： i2＝i2+1， 跳转到步骤2.14； 步骤2.20： 结束循环， 得到货主的短期兴趣集 合 步骤2.21： 定义循环变量 i3， 初始赋值 为1， 定义货主的短期兴趣表示us； 步骤2.22： 若i3≤len(O1)则进入步骤2.23， 否则跳转到步骤2.28； 步骤2.23： 货主的短期兴趣集合O1中的向量表示 和候选车源向量表示v输入到注意力 网络中计算注意力权 重 其中 Wh为训练权 重， bh为偏置向量； 步骤2.24： 通过softmax函数归一 化得到融合权 重 其中 步骤2.25： 根据融合权重 和货主的短期兴趣集合中的向量表示 乘积得到当前货主 兴趣融合向量 步骤2.26： 步骤2.27： i3＝i3+1， 跳转到步骤2.2 2； 步骤2.28： 结束循环， 得到最终的货主短期兴趣表示us。 5.根据权利要求1所述的基于动态兴趣和知识图谱的冷链物流车源推荐方法， 其特征 在于， 所述步骤2中融合货主短期兴趣表示us与货主长短期兴趣表示ul得到货主动态兴趣表 示od的具体操作为： 将货主的长期兴趣表示ul和短期兴趣表示us输入到全连接神 经网络中， 获得货主的动 态兴趣表示 od＝Wb[ul， us]， 其中Wb为训练权 重。 6.根据权利要求1所述的基于动态兴趣和知识图谱的冷链物流车源推荐方法， 其特征 在于， 所述 步骤3的具体方法为： 步骤3.1： 使用图卷积神经网络提取 车源特征， 输入货主动态兴趣表示 od；权　利　要　求　书 2/3 页 3 CN 115438259 A 3