(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 202210151759.4 (22)申请日 2022.02.18 (71)申请人 中南大学 地址 410083 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 张师超　左铠宁　章成源　 (74)专利代理 机构 长沙永星专利商标事务所 (普通合伙) 43001 专利代理师 周咏　米中业 (51)Int.Cl. G06F 16/9536(2019.01) G06F 16/36(2019.01) G06F 40/30(2020.01) G06Q 30/06(2012.01) (54)发明名称 基于知识图谱的个性 化推荐方法 (57)摘要 本发明公开了一种基于知识图谱的个性化 推荐方法， 包括获取用户的数据信息并构建知识 图谱； 对知识图谱的实体节点进行编码并为图中 的每一个实体和关系生成嵌入向量表 示； 进行消 息聚合得到用户的特征表示 以及物品的特征表 示； 计算各物品被推荐 给用户的概率并完成基于 知识图谱的个性化推荐。 本发明克服了用户 ‑项 目交互记录间相互独立的弊端， 能够获取用户基 于项目属性的协同信息； 而且本发 明方法使 得模 型能够捕获协同知识 图中基于节点间特征交互 的丰富语义和高阶连通性； 因此本发 明方法的可 靠性高、 实用性 好且准确度高。 权利要求书2页 说明书6页 附图2页 CN 114461927 A 2022.05.10 CN 114461927 A 1.一种基于知识图谱的个性 化推荐方法， 包括如下步骤： S1.获取用户的数据信息； S2.根据步骤S1 获取的用户数据信息， 构建知识图谱； S3.对步骤S2构建的知识图谱的实体节点进行编码， 并为图中的每一个实体和关系生 成嵌入向量表示； S4.根据步骤S3生成的嵌入向量表示， 基于节点交互和注意力机制， 进行消息聚合， 从 而得到用户的特 征表示以及物品的特 征表示； S5.根据步骤S4得到的用户的特征表示以及物品的特征表示， 计算各物品被推荐给用 户的概率， 从而完成基于知识图谱的个性 化推荐。 2.根据权利要求1所述的基于知识图谱的个性化推荐方法， 其特征在于步骤S2所述的 根据步骤S1获取的用户数据信息， 构建知识图谱， 具体为将用户 ‑物品交互图和物品的知识 图谱融合 为协同的知识图谱。 3.根据权利要求2所述的基于知识图谱的个性化推荐方法， 其特征在于所述的根据步 骤S1获取的用户数据信息， 构建知识图谱， 具体包括如下步骤： 提取物品知识作为知识图谱数据； 然后过滤频率低于设定值的实体， 并保留出现在至 少N个三元组的关系； 同时使用10 ‑core、 20‑core和30 ‑core设置， 从而确保每个物品在知识 图谱中至少有10个交 互节点、 20个交 互节点和3 0个交互节点； N 为设定的正整数； 针对用户 ‑物品交互图， 将显示反馈转换为隐式反馈： 其中物品项将被标记为1， 表示用 户对该项目进行了正面评价； 正面评价阈值为4， 并为每个用户采样一个标记为0的未交互 过的集合； 采用知识图KGP工具； 并采用KGP工具检测数据集格式： 若数据集格式为CSV格式文件， 则继续后续步骤； 若数据集格式为JSON格式文件， 则将JSON格式文件转换为CSV格式文件， 并继续后续 步骤； 采用KGP工具进行 数据清洗， 从而 去除数据集中的重复值和空值； 用户通过数据集中的编号， 输入关系的名称， 并分配知识图谱的三元组的头和尾； 采用 KGP工具从数据集中的编号 提取选定的数据， 并以关系命名为 三元组进行构建； 用户完成三元组构建后， 采用KGP工具提取三元组并重构为CSV文件， 同时问每个实体 分配一个索引值； 最终， 完成所构建的知识图谱。 4.根据权利要求2所述的基于知识图谱的个性化推荐方法， 其特征在于步骤S3所述的 对步骤S2构建的知识图谱的实体节 点进行编码， 并为图中的每一个实体和关系生成嵌入向 量表示， 具体为对步骤S2构建 的知识图谱的实体节点进行编码， 并采用Tr ansR方法为图中 的每一个实体和关系生成 嵌入向量表示。 5.根据权利要求3所述的基于知识图谱的个性化推荐方法， 其特征在于步骤S4所述的 根据步骤S 3生成的嵌入向量表 示， 基于节 点交互和注 意力机制， 进 行消息聚合， 从而 得到用 户的特征表示以及物品的特 征表示， 具体包括如下步骤： A.对知识图谱G中的任意中心 节点h， 记N(h)为h的邻居节点 集合； B.对集合N(h)中的节点特征向量进行加权求和， 同时将集合N(h)中节点两两之间 的交 互信息迭代地聚合到中心节点h的特征表示中， 从而 得到中心节点h的线性聚合和特征 交互权　利　要　求　书 1/2 页 2 CN 114461927 A 2消息聚合； C.将中心节点h的线性聚合和特征交互消息聚合进行整合， 从而得到中心节点h的特征 表示； D.重复步骤A ～步骤C， 最终得到所有用户的特 征表示以及所有物品的特 征表示。 6.根据权利要求5所述的基于知识图谱的个性化推荐方法， 其特征在于步骤B所述的将 集合N(h)中节点两两之间的交互信息迭代地聚合到中心节点h的特征表示中， 从而得到中 心节点h的线性聚合和特 征交互消息聚合， 具体包括如下步骤： B1.采用如下算式计算得到中心 节点h的线性聚合 LA(h)： 式中α(h,r,t)为注意力机制中的注意力系数， 用于表示邻 居节点t在该关系 r上的消息 传递权重； 为实体t的生成 嵌入向量， 上 标数字0表示未聚合任何阶数的邻居信息； B2.采用如下算式计算得到中心 节点h的特 征交互消息聚合BA(h)： 式中C为排列组合中的组合运算符号； d(h)为包括了集合N(h)与 中心节点h 的集合； t1 和t2为选出的两个节点组合； 为实体t1的生成嵌入向量； 为实体t2的生成嵌入向 量。 7.根据权利要求6所述的基于知识图谱的个性化推荐方法， 其特征在于步骤C所述的将 中心节点h的线性聚合和特征交互消息聚合进行整合， 从而得到中心节点h的特征表示， 具 体为采用如下算式计算得到中心 节点h的特 征表示 式中LA(h)为 中心节点h的线性聚合； BA(h)为中心节点h的特征交互消息聚合； a为设定 的加权参数。 8.根据权利要求7所述的基于知识图谱的个性化推荐方法， 其特征在于步骤S5所述的 根据步骤S4得到的用户的特征表示以及物品的特征表示， 计算各物品被推荐给用户的概 率， 从而完成基于知识图谱的个性 化推荐， 具体包括如下步骤： (1)根据步骤S4得到的用户u的特征表示 和物品i的特征表 示 采用內积运算计算得到物品i被推荐给用户u的概率； 其中 为实体u的生成嵌入向量， 上标j表示表示聚合了j阶的邻居信息； 为实体i的生成嵌 入向量， 上 标j表示表示聚合了j阶的邻居信息； (2)重复步骤(1)， 计算得到所有物品被推荐给用户u的概率， 并对得到的若干个概率值 进行排序， 选取排序最高的k个物品推荐给用于u， 从而完成基于知识图谱的个性 化推荐。权　利　要　求　书 2/2 页 3 CN 114461927 A 3