(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 202210901779.9 (22)申请日 2022.07.28 (71)申请人 桂林理工大 学 地址 541004 广西壮 族自治区桂林市七 星 区建干路12号 (72)发明人 谢晓兰　肖博怀　刘亚荣　王宇涵　 (51)Int.Cl. G06F 16/9535(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于长短期偏好融合的图神经网络推 荐方法 (57)摘要 本发明公开了一种基于长短期偏好融合的 图神经网络推荐方法， 首先， 通过图神经网络结 合注意力机制提取全部交互图上用户的长期依 赖和商品的节点特征。 其次， 通过双向GRU结合注 意力机制提取近期交互上用户的短期依赖， 然 后， 通过CNN结合注意力机制提取商品文本的特 征。 最后， 将这些特征进行融合已达到高性能的 推荐效果。 本发 明提供的一种基于长短期偏好融 合的图神经网络推荐方法， 可以通过用户商品交 互数据得出用户的长短期偏好特征和商品节点 特征， 并结合商品的文本特征， 在达到良好推荐 效果的同时有效解决推荐系统数据稀疏性的问 题。 权利要求书1页 说明书5页 附图1页 CN 115238184 A 2022.10.25 CN 115238184 A 1.一种基于长短期偏好融合的图神经网络推荐方法， 包括长期偏好和商 品节点特征提 取、 短期偏好特征提取、 商品文本特征提取和预测推荐得分， 长期偏好和短期特征偏好提取 相连， 商品节点和商品文本特 征提取相连。 2.根据权利要求1所述的一种基于长短期偏好融合的图神经网络推荐方法， 其特征在 于， 所述长期偏好和商品节点特征提取， 将完整的历史交互数据构建交互图并嵌入， 利用图 神经网络结合注意力机制， 提取用户的长期偏好特 征和商品的节点特 征。 3.根据权利要求1所述的一种基于长短期偏好融合的图神经网络推荐方法， 其特征在 于， 所述短期偏好特征提取， 将用户的近期交互历史采用BERT进行嵌入表示， 通过双向GRU 捕获顺序向量， 最后赋予注意力权 重， 提取用户的短期偏好特 征。 4.根据权利要求1所述的一种基于长短期偏好融合的图神经网络推荐方法， 其特征在 于， 所述商品文本特征提取， 将商品的标题信息和描述信息采用BERT进 行嵌入表 示， 通过卷 积神经网络结合注意力机制， 提取商品的文本特 征。 5.根据权利要求1所述的一种基于长短期偏好融合的图神经网络推荐方法， 其特征在 于， 所述预测推荐得分， 将用户的长期偏好特征和短期偏好特征进行融合得到用户的最终 表示， 将商品的节点特征和商品的文本特征进行融合得到商品的最终表示， 将用户的最终 表示和商品的最终表示进行交 互， 计算它 们交互的匹配得分， 预测它 们推荐的得分。权　利　要　求　书 1/1 页 2 CN 115238184 A 2一种基于长短期偏好融合的图神经 网络推荐方 法 技术领域 [0001]本发明属于商品个性化推荐领域。 更具体地说， 本发明涉及一种基于长短期偏好 融合的图神经网络推荐方法。 背景技术 [0002]伴随着互联 网技术的发展， 信息量日渐提升， 用户面临着信息过载的难题， 如何让 用户高效获取感兴趣的问题成为推荐系统的主要研究内容。 推荐系统基于用户的个人信息 和历史浏览记录对用户的兴趣偏好进 行建模， 之后根据用户的兴趣偏好为用户可能感兴趣 的商品进行个性 化推荐。 [0003]传统的推荐系统用到的方法可以分成协同过滤的推荐方法、 基于内容的推荐方法 和混合的推荐方法。 协同过滤 的推荐方法核心思想是用某兴趣相投、 拥有共同经验之群体 的喜好来推荐用户感兴趣的信息， 虽然它简单有效， 但是 由于用户对商品的评分数据相对 于交互总量而言非常少， 因此常常面临数据稀疏性问题， 并且对于新加入的用户或者商品 而言存在冷启动问题。 基于内容的推荐方法核心思想是通过显隐式反馈获取用户交互过的 商品并按照相似度进 行推荐， 虽然它可以有效缓解数据稀疏性问题， 但它提取特征不全面， 无法学习潜在的高阶特征。 基于混合的推荐方法是将不同算法进行组合已达到推荐效果， 虽然它一定程度上解决数据稀疏性和冷启动问题， 但它通常需要耗时耗力的人工操作， 且 提取特征的能力无法得到提高。 [0004]在现实场景中， 用户和商品的交互数据本质上是一个庞大且复杂的图结构数据， 大多数对象都是通过显式或隐式连接的， 这种固有的数据特性使得在进 行个性化推荐时必 须考虑复杂的对象间关系。 因此， 随着图神经网络的研究与发展， 越来越多的研究人员将图 神经网络用于推荐方法。 Berg等使用图神经网络填充用户商品交互图中缺失的评级信息。 Ying等将随机游走和图神经网络相结合来生成节点嵌入， 这些嵌入的节点包含了图结构以 及节点的特征信息。 Zhuang等提出采用多连接图卷积编码器来学习节点表示。 Wang等将残 差思想引入图神经网络， 将多层的邻居表示聚合 为最终的节点表示。 [0005]虽然基于图神经网络的推荐方法在特征提取上的表 现优异， 但目前大多数基于图 神经网络的推荐方法通常使用用户过去交互的所有商品构建交互图， 然后通过图上进 行邻 居聚合为用户生 成长期偏好表示。 然而， 用户偏好本质上是动态的， 随着时间的推移和一些 趋势引导， 除了相对稳定的长期偏好外， 用户也可能产生一些短期偏好。 进一步说， 短期偏 好更能导致用户和商品产生交互。 因此， 在用户商品交互图捕获长期偏好表示的基础上， 结 合短期偏好表示将产生更好的推荐效果。 同时， 由于数据量急剧增大， 导致数据稀疏性问 题， 仅利用ID构建用户商品交互图获取的商品特征可能并不足够， 因此在图神经网络捕获 商品节点特征 的基础上， 结合商品的其他属 性信息能进一步捕获更充分的商品特征， 从而 进行更加深层次的偏好挖掘。说　明　书 1/5 页 3 CN 115238184 A 3