(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 202211120471.7 (22)申请日 2022.09.15 (71)申请人 南京邮电大 学 地址 210003 江苏省南京市 鼓楼区新模范 马路66号 (72)发明人 王玉峰　黄汛　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 严志平 (51)Int.Cl. G06F 16/9535(2019.01) G06N 3/08(2006.01) G06Q 30/06(2012.01) (54)发明名称 一种基于物品属性采样的个性化推荐 方法、 装置及存 储介质 (57)摘要 本发明公开了一种基于物品属性采样的个 性化推荐方法、 装置及存储介质， 包括： 获取用户 与物品的历史交互数据， 结合所述物品的属性， 构建用户 ‑物品‑属性关系图和物品 ‑用户关系 图， 并利用图注意力网络模型处理得到含属性信 息的物品向量、 用户隐向量、 含用户信息的物品 向量及物品隐向量； 对用户隐向量和物品隐向量 做内积获得用户对物品的预测评分， 通过误差 反 向传播来训练网络模型参数； 加载训练好的网络 模型对指定用户未交互过的物品进行评分预测， 选出评分值高的前N个物品推荐给指定用户， 实 现个性化推荐。 本发明充分利用用户对物品不同 属性的喜爱程度， 根据用户与物品之间的交互关 系来增强用户和物品的隐向量表 示， 提高个性化 推荐的准确率。 权利要求书3页 说明书9页 附图3页 CN 115391662 A 2022.11.25 CN 115391662 A 1.一种基于物品属性采样的个性 化推荐方法， 其特 征在于， 所述方法包括： 步骤S1： 获取用户与物品的历史交互数据， 结合所述物品的属性， 构建用户 ‑物品‑属性 关系图； 步骤S2： 利用图注意力网络模型， 通过抽样筛选出所述物品需要聚合的属性信息， 并结 合用户‑物品‑属性关系图处 理得到含属性信息的物品向量和用户隐向量； 步骤S3： 根据对所述物品评过分的用户的关系， 构 建物品‑用户关系图， 将所述物品 ‑用 户关系图载入图注意力网络模型中获得含用户信息的物品向量； 步骤S4： 将所述含属性信息的物品向量和含用户信息的物品向量进行拼接后输入全连 接层， 获得物品隐向量； 步骤S5： 对所述用户隐向量和物品隐向量做内积处 理， 获得用户对物品的预测评分； 步骤S6： 计算所述预测评分与真实评分的累计误差， 通过误差反向传播来训练更新网 络模型参数； 步骤S7： 加载训练好的网络模型针对指定用户及其历史行为， 对其未交互过的物品进 行评分预测， 选出评分值高的前N个物品推荐给 所述指定用户， 实现个性 化推荐。 2.根据权利要求1所述的基于物品属性采样的个性化推荐方法， 其特征在于， 在步骤S1 中， 所述构建用户 ‑物品‑属性关系图的步骤 包括： 将所获取的每个用户、 每个物品及每个属性均为节点， 根据用户对物品的交互关系和 物品与属性之间的关系， 在用户、 物品与属性节点之间创建不同关系的边， 以构建用户 ‑物 品‑属性多关系图。 3.根据权利要求1所述的基于物品属性采样的个性化推荐方法， 其特征在于， 在步骤S2 中， 通过抽样筛 选出所述物品需要聚合的属性信息包括： 计算查询因子和各个属性之间的抽样得分； 筛选出得分高的前M个属性作为物品需要聚合的属性信息； 所述抽样得分计算公式如下： 式中， S表示查询因子Q和各个属性之间的抽样得分， VA表示属 性a1到aN(A)的属性向量， N(A)表示物品所含的属性数量； Q是由用户与其交互物品的属性生 成的查询因子： 式中， σ 为噪声线性整流ReLU激活函数， VU表示用户向量， 表示矩阵拼接操作， Wq表示 属性筛选的权重矩阵。 4.根据权利要求3所述的基于物品属性采样的个性化推荐方法， 其特征在于， 在步骤S2 中， 所述含属性信息的物品向量E的计算公式如下： 式中， VI表示物品向量； VM为属性聚合向量， Wm表示含属性信息的物 品权重矩阵； 表示属性a1到aM的属性向量， M表示筛 选出的属性数量；权　利　要　求　书 1/3 页 2 CN 115391662 A 2结合含属性信息的物品向量， 所述用户隐向量H的计算公式如下： 式中， VU表示用户向量； Wh表示用户隐向量的权重矩阵； a表示用户对物品的重要系数， 其中Wa是用户对物品的权重矩阵； VR表示用户对物品的评 分向量。 5.根据权利要求4所述的基于物品属性采样的个性化推荐方法， 其特征在于， 在步骤S3 中， 所述含用户信息的物品向量F的计算公式如下： 式中 ， Wi是含 用户信息的 物品权重矩阵 ； β表示物品对 用户的重要系数 ， Wβ表示物品对用户的权 重矩阵。 6.根据权利要求5所述的基于物品属性采样的个性化推荐方法， 其特征在于， 在步骤S4 中， 所述物品隐向量Z的计算公式如下: 式中， Wz是物品隐向量的权 重矩阵。 7.根据权利要求1至6任一所述的基于物品属性采样的个性化推荐方法， 其特征在于， 在步骤S6中， 所述通过误差反向传播来训练更新网络模型参数包括： 使用随机梯度下降法 对各权重矩阵Wq、 Wm、 Wa、 Wh、 Wβ、 Wz， 进行更新， 更新公式如下： 式中： μ表示随机梯度下降法的学习率， 表示训练损失对各权重的偏导运算； Wq(t)、 Wm(t)、 Wa(t)、 Wh(t)、 Wβ(t)、 Wz(t)分别为第t次更新的权重矩阵； Wq(t‑1)、 Wm(t‑1)、 Wa(t‑1)、 Wh(t‑1)、 Wβ(t‑1)、 Wz(t‑1)分别为第t ‑1次更新的各权重矩阵， t＝1,2 …T； T为网络模型训练 更新的次数； L为根据预测评分和实际评分计算的训练损失， L＝ ‑lnξ(r*‑r)， 其中， ξ为 Sigmoid函数， r*表示用户对物品的预测评分， r是用户对物品的实际评分； 通过公式(8)对用户向量VU、 物品向量VI、 属性向量VA、 评分向量VR进行更行：权　利　要　求　书 2/3 页 3 CN 115391662 A 3