(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 202210167706.1 (22)申请日 2022.02.23 (71)申请人 河海大学 地址 210024 江苏省南京市 鼓楼区西康路1 号 (72)发明人 唐彦　许馨怡　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 李淑静 (51)Int.Cl. G06F 16/332(2019.01) G06F 16/33(2019.01) G06F 16/36(2019.01) G06N 3/04(2006.01) G06Q 30/06(2012.01) (54)发明名称 一种基于图神经网络和知识图谱的会话推 荐方法及系统 (57)摘要 本发明公开了一种基于图神经网络和知识 图谱的会话推荐方法及系统， 所述方法包括： 将 由物品组成的所有会话集合建模为会话图； 将该 会话图通过图形卷积网络处理并赋予时间和流 行度权重， 得到当前会话中每个物品节点的嵌入 向量； 使用注 意力机制获得整个会话的嵌入表示 Sg； 使用图注意力网络来聚合物品实体在物品知 识图谱中的k跳邻域， 得到当前会话中最后一个 物品的局部嵌入表示Sl； 组合动态全局嵌入Sg和 局部嵌入Sl生成最终的会话混合嵌入Semb， 将混 合会话嵌入Semb和每个物品的嵌入进行内积计 算， 使softmax函数得到最终每个物品的点击概 率， 概率最高的作为推荐结果。 本方法简单易行， 准确度高， 在社交、 在线购 物、 新闻等领域应用前 景广阔。 权利要求书3页 说明书13页 附图2页 CN 115017275 A 2022.09.06 CN 115017275 A 1.一种基于 图神经网络和知识图谱的会话推荐方法， 其特征在于， 所述方法包括以下 步骤： 步骤S1： 将由物品集合V组成的所有会话集合S建模 为会话图Gs， 遍历会话图得到会话图 的邻接矩阵A和度 矩阵D， 并为会话图中的物品节点集合设置随机初始 化的特征矩阵X， 对特 征矩阵X做线性变换， 得到变换后的特 征矩阵H(0)； 步骤S2： 将H(0)、 邻接矩阵A和度矩阵D作为图卷积神经网络的输入， 使用图卷积神经网 络对会话图做图卷积操作， 并赋予时间和流行度权重得到 当前会话中每个物品节点的嵌入 向量， 使用注意力机制获得会话的动态全局嵌入向量Sg； 步骤S3： 使用图注意力网络聚合物品实体在物品知识图谱中的k跳邻域， 得到当前会话 中最后一个物品的局部嵌入向量Sl； 步骤S4： 组合动态全局嵌入向量Sg和局部嵌入向量Sl， 生成最终的会话混合嵌入向量 Semb； 步骤S5： 对会话混合嵌入向量Semb和每个物品的嵌入进行内积计算， 使用softmax函数 得到每个物品的点击 概率， 即每个候选物品会 被下一步交互的可能性概率 根据概率概率 得到最终推荐结果。 2.如权利要求1所述的基于图神经网络和知识图谱的会话推荐方法， 其特征在于， 所述 步骤S1包括： 步骤S1‑1： 令V＝{v1， v2， ...vm， ...， vp}表示所有会话中包含的物品的总集合， 其中vm表 示第m个物品， p代表物品总个数； 令S ＝{s1， s2， ...si...， sq}表示会话图中所有会话的总集 合， 其中si表示某一 条会话， q代表 会话图中包括的会话的总条数； 一 条会话si由多个物品组 成， 将这些物品按照时间戳排序作为一条会话的表示： 其中 表示用户在会话si中与某个物 品进行了第j次交互， 1≤j≤n， n表示用户在会话si中 共有n次交 互； 步骤S1‑2： 将会话集合S建模为会话图Gs＝(Vs， Es)， 其中Vs表示会话图节点集合， Es表示 会话图边的集合， 会话图中每个节点代表一个物品 每条边 表示用 户在某一条会话si中先与物品 发生了交 互， 之后还与物品 发生了交 互； 步骤S1‑3： 遍历会话图得到会话图的邻接矩阵A和度矩阵D； 步骤S1‑4： 为会话图中的物品节点集合设置一个随机初始化的特征矩阵X， 也叫做节点 的特征向量 步骤S1‑5： 对随机初始化的特征向量X做线性变换， 得到变换后的特征矩阵， 记为H(0)， H (0)＝WX+b， 其中W表示 参数矩阵， b表示偏置向量。 3.如权利要求1所述的基于图神经网络和知识图谱的会话推荐方法， 其特征在于， 所述 步骤S2包括： 步骤S2‑1： 将H(0)、 邻接矩阵A和度矩阵D作为图卷积神经网络的输入， 通过公式 进行传播学习， 其中 其中I为单位权　利　要　求　书 1/3 页 2 CN 115017275 A 2矩阵， W(l)表示第l层的权重矩阵， σ 表示非线性激活函数； H(l+1)表示物品节点向量在图卷积 神经网络里传播第l+1层的结果， H(l + 1)也表示经过学习得到得最终特征矩阵 其中第i个会话中的第j个物品节点的初始 化嵌入表示向量定义 为： 步骤S2‑2： 使用会话图中每 个节点的出现频率， 计算物品节点的流行度权 重 步骤S2‑3： 使用会话图中每 个节点的时间戳， 计算物品节点的时间权 重 步骤S2‑4： 将得到 的物品节点的流行度权重 和时间权重 乘以初始化节点嵌入表 示 得到赋予总权 重的物品节点的嵌入表示 步骤S2‑5： 使用注意力机制获得整个会话的嵌入表示Sg。 4.如权利要求3所述的基于图神经网络和知识图谱的会话推荐方法， 其特征在于， 所述 步骤S2‑2中计算公式如下： 其中， 表示单个物品节点vj的物品流行度权重， 表示物品节点在所有会话中出 现的总次数。 5.如权利要求3所述的基于图神经网络和知识图谱的会话推荐方法， 其特征在于， 所述 步骤S2‑3中计算公式如下： 其中， 表示单个物品节点vj的时间权 重， 表示当前会话中物品节点的时间戳。 6.如权利要求1所述的基于图神经网络和知识图谱的会话推荐方法， 其特征在于， 所述 步骤S3包括： 步骤S3‑1： 使用TransR模型将物品知识图谱中的头实体h和尾实体t、 以及它们之间的 关系r表示为初始化嵌入向量： 头实体的嵌入表示为 eh、 尾实体的嵌入表示为et、 关系的嵌入 表示为er， 其中头实体h为当前会话si中的最后一个物品 步骤S3‑2： 进行多层注意力嵌入传播的操作的第一步： 基于知识的注意力机制， 得到信 息传播中的权 重 π(h， r， t)； 步骤S3‑3： 进行多层注意力嵌入传播的操作的第二步： 消息传播， 得到头实体h进一步 的嵌入表示 步骤S3‑4： 进行多层注意力嵌入传播的操作的第三步： 信息聚合， 得到聚合邻居信息后 的头实体h的嵌入表示eh(k)； 步骤S3‑5： 经过连接操作， 得到当前会话的最后一个物品 的嵌入表示 也称 作会话的局部表示Sl。权　利　要　求　书 2/3 页 3 CN 115017275 A 3