(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 202210583484.1 (22)申请日 2022.05.25 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 王丽平　杨正益　柳玲　危枫　 周魏　文俊浩　郭向星　程旺鑫　 杨佳佳　朱磊　 (74)专利代理 机构 重庆缙云专利代理事务所 (特殊普通 合伙) 50237 专利代理师 王翔 (51)Int.Cl. G06Q 30/06(2012.01) G06Q 30/02(2012.01) G06F 16/36(2019.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 5/04(2006.01) (54)发明名称 一种基于知识图谱路径推理的多用户推荐 系统 (57)摘要 本发明公开一种基于知识图谱路径推理的 多用户推荐系统， 包括知识图谱构建模块、 路径 推理模块和评分预测模块； 所述知识图谱构建模 块获取用户交互历史数据， 构建知 识图谱G， 并传 输至路径推理模块； 所述路径推理模块根据知识 图谱G生成若干用户和目标项目之间的关系路 径， 并传输至评分预测模块； 所述评分预测模块 对接收到的若干关系路径进行评价预测， 根据评 价预测结果， 向用户输出项目推荐列表。 本发明 通过构建用户与项的知识 图谱挖掘更多丰富的 用户兴趣隐语义信息， 利用知识图谱 上多条路径 组合推理预测多个用户潜在共同偏好， 不同路径 之间利用带注意力机制的池化聚合操作在区分 不同用户偏好程度的同时给出最大化兴趣偏好 和多样化的推荐列表。 权利要求书3页 说明书8页 附图2页 CN 114820139 A 2022.07.29 CN 114820139 A 1.一种基于知识图谱路径推理的多用户推荐系统， 其特征在于： 包括知识图谱构建模 块、 所述路径推理模块和评分预测模块。 所述知识图谱构建模块获取用户交互历史数据， 构建知识图谱G， 并传输至路径推理模 块。 所述路径推理模块根据知识图谱G生成若干用户 和目标项目之间的关系路径， 并传输 至评分预测模块； 所述评分预测模块对接收到的若干关系路径进行评价预测， 根据评价预测结果， 向用 户输出项目推荐列表。 2.根据权利要求1所述的一种基于知识图谱路径推理 的多用户推荐系统， 其特征在于， 构建知识图谱G的步骤 包括： 1)构建项目关联有向 图G1； 所述项目关联有向 图G1的实体包括 交互项和候选项， 边集包 括实体与实体之间的关联关系； 2)构建用户与 项目的交互有向 图G2； 所述交互有向图G2的实体包括用户和项目； 所述 交 互有向图G2中， 若用户和项目之间有交 互， 则用户和项目之间存在边； 3)将项目关联有向图G1和用户与项目的交 互有向图G2融合， 得到知识图谱G。 3.根据权利要求2所述的一种基于知识图谱路径推理 的多用户推荐系统， 其特征在于， 项目关联有向图G1＝{(h,r,t)|h,t∈I1,r∈R1}， 通过候选项目与已交互项目之间的关联数 据建模得到； 其中， 元组(h,r,t)表明头节点h与尾节点t之间存在关系r； I1为所有候选项目集合； R1 为关系集 合。 4.根据权利要求3所述的一种基于知识图谱路径推理 的多用户推荐系统， 其特征在于， 用户与项目的交互有向图G2＝{(u,act,i)|u∈U,i∈ I2,act∈R2}由用户与项目的交互记录 建模得到； 其中， 元组(u,act,i)表示用户u与项目i之间存在交互关系act； 和 分别表示用户、 项目集合， M和N分别表示用户数量和项目数量， R2表示交互关系集 合。 5.根据权利要求4所述的一种基于知识图谱路径推理 的多用户推荐系统， 其特征在于， 所述知识图谱G＝{(h,r,t)|h,t∈E,r∈R}， 其中集 合E＝U∪I1， 集合R＝R1∪R2。 6.根据权利要求1所述的一种基于知识图谱路径推理 的多用户推荐系统， 其特征在于， 所述路径推理模块 生成若干用户和目标项目之间的关系路径的步骤 包括： 1 ) 记 知 识 图 谱 G 上 用 户 到 达 项 目 之 间 的 路 径 为 实 体 与 关 系 的 序 列 其中， e1＝u,eL＝p； (el,rl,el+1)是路径p 上的第l个元组， L‑1表示路径p上的所有元组数量； 2)对于知识图谱G上给定的关系路径pk， 所述路径推理模块将关系路径pk中的每个 实体 切分为对应类型和值， 并将类型和值初始化为两个向量， 分别记为 d表示 维度大小； k初始值 为1； 3)在路径pk中嵌入相同维度的向量rl， 更新关系路径p'k为[e1,r1,e2,...,el‑1,rl‑1]， 关权　利　要　求　书 1/3 页 2 CN 114820139 A 2系路径p'k中每个元素代表一个实体或一类关系； 4)利用存储在路径推理模 块上的循环神经网络模型挖掘关系路径p'k中的序列信息， 从 而生成编码后的路径pk； 5)令k＝k+1， 并返回步骤2)， 直到获得编码后的路径集 合P(u,i)＝{p1,p2,...,pK}。 7.根据权利要求6所述的一种基于知识图谱路径推理 的多用户推荐系统， 其特征在于， 所述循环神经网络模型为LSTM神经网络模型， 包括输入层、 隐藏和 输出层； 其中， 隐藏层包 括输入门、 遗 忘门和输出门； 循环神经网络模型的输入 包括实体 类型、 实体值、 关系向量， 输出为编码后的路径。 8.根据权利要求7所述的一种基于知识图谱路径推理 的多用户推荐系统， 其特征在于， 所述循环神经网络模型的输入向量xl‑1、 输出向量hL分别满足下式： zl＝tanh(W1xl+Whhl‑1+bz)             (2) fl＝σ(Wfxl+Whhl‑1+bf)              (3) il＝σ(Wixl+Whhl‑1+bi)              (4) ol＝σ(Woxl+Whhl‑1+bo)              (5) cl＝fl⊙cl‑1+il⊙zl              (6) hl＝ol⊙tanh(cl)    (7) 式中， cl∈Rd,zl∈Rd分别表示单元存储状态向量和信息转换模 块， d'表示隐藏单元的数 量； il、 ol和fl分别表示输入、 输出和忘记门， Wz、 Wi、 Wf、 Wo∈Rd'×3d,Wh∈Rd'×d'表示映射系数矩 阵； bz、 bi、 bf、 bo是偏置向量； σ(.)是激活函数， ⊙表示两个向量之间元素级乘积； el‑1、 e′l‑1、 rl‑1分别表示实体 类型、 实体值、 关系向量。 9.根据权利要求1所述的一种基于知识图谱路径推理 的多用户推荐系统， 其特征在于， 所述评分预测模块对接收到的若干关系路径进行评价预测的步骤 包括： 1)建立预测函数， 即： 式中， 为评价预测结果； fθ表示具有参数θ 的模型， 公式(8)表明用户u与 项目i是否 发 生交互是由连通 性ρ(u,i)决定的； 2)计算状态预测值， 即： 式中， W1， W2分别表示第1层全连接层和第 2层全连接层的系数权重； Relu表示激活函数； 其中τ＝(u,act,i)表示 元组； s( τ|pk)＝sk， 表示结点u到结点i的第k 条路径的预测得分， b表 示偏置量； 3)将状态预测值投影到预测函数中， 得到 评价预测结果 即： 式中， σ(.)是激活函数， 其中， 参数g(s1,s2,...,sK)如下所示：权　利　要　求　书 2/3 页 3 CN 114820139 A 3