(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 202210266896.2 (22)申请日 2022.03.17 (71)申请人 广西师范大学 地址 541004 广西壮 族自治区桂林市七 星 区育才路15号 (72)发明人 王利娥　张瀚文　李先贤　 (74)专利代理 机构 桂林市持衡专利商标事务所 有限公司 45107 专利代理师 陈跃琳 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/9535(2019.01) G06N 3/04(2006.01) (54)发明名称 一种基于去噪的知识感知图卷积网络推荐 方法 (57)摘要 本发明公开一种基于去噪的知识感知 图卷 积网络推荐方法， 利用了知识图谱实体间丰富的 关系信息， 实现对用户偏好的建模， 为了明确邻 居实体是否是无法反映用户偏好的噪声， 计算用 户偏好与邻居实体的相似度得分， 该得分反应了 该实体是否是噪声的置信度， 将该得分归一化后 作为图卷积网络下聚合实体的邻居信息时的权 重， 从而在充分利用知识图谱的高阶结构信息 时， 破坏噪声信息的传播， 从而增强推荐性能。 权利要求书2页 说明书7页 附图1页 CN 114637857 A 2022.06.17 CN 114637857 A 1.一种基于去噪的知识感知图卷积网络推荐方法， 其特 征是， 包括步骤如下： 步骤1、 采集用户的历史数据， 并找出历史数据中所有用户交互过的项目， 并将项目与 知识图谱中的实体对齐； 将用户ID、 以及知识图谱中的实体ID和关系ID送入嵌入层， 得到用 户的初始嵌入向量表示、 实体的初始嵌入向量表示和关系的初始嵌入向量表示； 步骤2、 利用注意力机制， 先计算用户对单个交互过的项目的偏好向量表示， 再计算用 户对所有交 互过的项目的偏好向量表示， 即用户偏好向量表示； 步骤3、 通过噪声识别操作计算用户偏好向量表示和邻居实体向量表示之间的相似度 得分并归一化， 归一化后的相似度得分用于控制图卷积网络中每个属于推荐类型的实体的 邻居信息传递， 破坏噪声信息的传播， 得到每个属于推荐类型的实体的初始邻居结构向量 表示； 步骤4、 通过图卷积运算捕捉知识图谱中每个属于推荐类型的实体的邻居结构信 息， 聚 合每个属于推荐类型的实体的初始嵌入向量表示与每个属于推荐类型的实体的初始邻居 结构向量表示， 得到属于推荐类型的实体的一阶向量表示， 通过堆叠多层图卷积， 以收集来 自高阶邻居的影响信号， 获得更多与推荐类型实体有关的信息， 得到每个属于推荐类型 的 实体的各阶嵌入向量表示； 步骤5、 通过图卷积运算聚合用户偏好向量表示与用户交互过的每个项目即实体的向 量表示， 通过堆叠多层图卷积， 以更深入的方式挖掘用户的潜在兴趣， 得到用户的各阶嵌入 向量表示； 步骤6、 将用户的0～L阶嵌入向量表示进行拼接， 得到用户的最终向量表示； 同时将属 于推荐类型的实体的0～L阶嵌入向量表示进行拼接， 得到属于推荐类型的实体的最 终向量 表示； 步骤7、 将用户的最终向量表示与每个属于推荐类型的实体的最终向量表示的内积作权　利　要　求　书 1/2 页 2 CN 114637857 A 2为用户对实体的评分， 并将评分排在前k 位的实体 推荐给用户； 其中k 为设定值； 上述式中， eu表示用户u的初始嵌入向量表示， 表示与用户交互过的项目pj有关的关 系 的初始嵌入向量表示， 表示用户对单个交互过的项目pj的偏好向量表示， 表示用 户偏好向量表示， 表示与用户交互过的项目pj有关的关系 的集合， Nu是用户交互过的 项目的集合； et表示属于推荐类型的实体h的邻 居实体t的初始嵌入向量表示， 表示属于 推荐类型的实体h的初始邻居结构向量表示， Nh表示属于推荐类型的实体h的邻居实体t的 集合； 表示属于推荐类型的实体h的l阶嵌入向量表示， 表示属于推荐类型的实体h 的l‑1阶嵌入向量表示， 表示属于推荐类型的实体h的l ‑1阶邻居结构向量表示， l＝0, 1,…,L， L为图卷积的层 数， f表示聚合函数； 表示用户u的l阶嵌入向量表示， |Nu|表示用 户交互过的项目的数量， ⊙表示哈达 玛积； 上标T表示转置。 2.根据权利要求1所述的一种基于去噪的知识感知图卷积网络推荐方法， 其特征是， 步 骤4中， 聚合 函数f为： 式中， 表示属于推荐类型的实体h的l阶嵌入向量表示， 表示属于推荐类型的实 体h的l‑1阶嵌入向量表示， 表示属于推荐类型的实体h的l ‑1阶邻居结构向量表示， W表 示图卷积网络的权 重参数， b表示图卷积网络的偏置参数， l ＝0,1,…,L， L为图卷积的层数。 3.根据权利要求1和2所述的一种基于去噪的知识感知图卷积网络推荐方法， 其特征 是， 属于推荐类型的实体h的0阶嵌入向量表示 即为属于推荐类型的实体h的初始 嵌入向 量表示eh； 属于推荐类型的实体h的0阶邻居结构向量表示 即为属于推荐类型的实体h的 初始邻居结构向量表示 用户u的0阶嵌入向量表示 即为用户u的初始嵌入向量表示 eu。权　利　要　求　书 2/2 页 3 CN 114637857 A 3