(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 202210990287.1 (22)申请日 2022.08.18 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 钟华麟　许可　蔡毅　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 戴晓琴 (51)Int.Cl. G06F 16/9535(2019.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于图神经网络结合好奇心的个性化推荐 方法、 系统及 介质 (57)摘要 本发明公开了一种基于图神经网络结合好 奇心的个性化推荐方法、 系统、 计算机设备及存 储介质， 所述方法包括： 获取用户与物品交互的 数据集， 利用隐语义模块， 得到用户和物品的交 互信息以及用户与物品的特征向量， 将得到的数 据分别输入图卷积模块和好奇心模块， 分别得到 物品针对特定用户的预测相关性得分以及预测 好奇心得分； 根据预测相关性得分以及预测好奇 心得分， 得到用户的个性化物品推荐列表； 利用 数据集对好奇心模型中的隐语义模块和图卷积 模块进行训练， 将用户和物品序号输入训练好的 好奇心模型， 得到用户的个性化物品推荐列表。 本发明通过将好奇心与推荐系统深度融合， 保证 一定程度推荐准确性的前提下， 有效提升了推荐 结果的多样性。 权利要求书4页 说明书14页 附图4页 CN 115438256 A 2022.12.06 CN 115438256 A 1.一种基于图神经网络结合 好奇心的个性 化推荐方法， 其特 征在于， 所述方法包括： 获取用户与物品交 互的数据集； 根据数据集， 利用好奇心模型中的隐语义模块， 得到用户 和物品的交互信息以及用户 与物品的特 征向量； 将用户和物品的交互信息以及用户与物品的特征向量输入好奇心模型中的图卷积模 块， 得到每 个物品针对特定用户的预测相关性得分； 将用户与物品的特征向量输入好奇心模型中的好奇心模块， 得到每个物品针对特定用 户的预测好奇心得分； 根据每个物品针对特定用户的预测相关性得分以及预测好奇心得分， 得到用户的个性 化物品推荐列表； 利用数据集对好奇心模型中的隐语义模块和图卷积模块进行训练， 得到训练好的好奇 心模型； 将用户和物品序号输入训练好的好奇心模型， 得到用户的个性 化物品推荐列表。 2.根据权利要求1所述的个性化推荐方法， 其特征在于， 所述根据数据集， 利用好奇心 模型中的隐语义模块， 得到用户和物品的交 互信息以及用户与物品的特 征向量， 包括： 根据数据集中的物品信息， 得到物品标签特 征向量； 对数据集进行 预处理， 得到用户和物品的交 互信息； 根据用户和物品的交 互信息以及物品标签特 征向量， 得到用户与物品的特 征向量。 3.根据权利要求2所述的个性化推荐方法， 其特征在于， 所述根据用户和物品的交互信 息以及物品标签特 征向量， 得到用户与物品的特 征向量， 包括： 根据用户和物品的交 互信息， 得到用户特 征向量； 根据用户 和物品的交互信息以及物品标签特征向量， 为每个物品构建物品特征向量， 包括： 根据用户和物品的交 互信息， 得到物品身份特 征向量； 根据物品身份特 征向量和物品标签特 征向量， 得到物品特 征向量， 公式如下： 其中， 为物品身份特征向量， 表示物品标签特征向量构成的矩阵的转 置； W∈RN×T是标签特征转换矩阵， 其中每 一行Wn,·∈RT代表的是各标签在该行号对应编号的 物品中所占比例， 每行的总和为1； N为物品总数， T为标签总数； 标签特征转换矩阵是记录物 品在各个标签上所占比例的权重矩阵， 是可训练的参数矩阵， 根据数据集中物品标签的原 始信息进行初始化。 4.根据权利要求2所述的个性化推荐方法， 其特征在于， 所述利用数据集对好奇心模型 中的隐语义模块和图卷积模块进行训练， 得到训练好的好奇心模型， 包括： 训练中， 若迭代次数小于5， 则： 将数据集中用户与物品交互的数据输入隐语义模块， 将 隐语义模块中得到的用户和物品的交互信息以及用户与 物品的特征向量输入图卷积模块， 将图卷积模块输出 的预测相关性得分作为最终得分， 根据最终得分计算损失， 进而更新模 型中的参数； 否则： 将数据集中用户与物品交互的数据输入隐语义模块， 将隐语义模块中得到的用权　利　要　求　书 1/4 页 2 CN 115438256 A 2户和物品的交互信息以及用户与 物品的特征向量输入图卷积模块， 并将用户与 物品的特征 向量输入好奇心模块； 根据图卷积模块输出的预测相关性得分和好奇心模块得到的预测好 奇心得分， 计算 最终得分， 根据最终得分计算损失， 进 而更新模型中的参数； 训练中采用的目标函数如下： 其中， 表示用户um在用户‑物品交互二部图上的邻居的编号， 用户 ‑物品交互二部图 是由用户和物品的交互信息构成的拓扑图； ip表示用户访问过的物品， ij则为用户没有访问 过的物品， 表示好奇心模型对用户um访问物品ip的最终得分 表示好奇 心模型对用户um访问物品ij的最终得分； 第二个加项是一个L2正则化项； 参数λ用于控制正 则化强度； E表示用户和物品的所有特 征向量。 5.根据权利要求1所述的个性化推荐方法， 其特征在于， 所述将用户与物品的特征向量 输入好奇心模型中的好奇心模块， 得到每 个物品针对特定用户的预测好奇心得分， 包括： 根据用户与物品的特 征向量， 计算 好奇心刺激值， 包括： 根据物品的特 征向量， 利用信息熵量 化物品在标签上的复杂度； 根据用户与物品的特 征向量， 计算用户个性 化因子； 根据用户个性 化因子和复杂度， 计算 好奇心刺激值； 根据好奇心刺激值， 得到物品针对特定用户的预测好奇心得分， 包括： 根据刺激值在各个均等的取值区间内的出现频率， 绘制刺激值的频率分布直方图； 根据频率分布直方图， 拟合得到好奇心值与刺激值关系的倒U形好奇心曲线； 根据好奇心刺激值， 利用倒U形好奇心曲线， 得到物品针对特定用户的预测好奇心得 分。 6.根据权利要求1所述的个性化推荐方法， 其特征在于， 所述将用户和物品的交互信 息 以及用户与 物品的特征向量输入好奇心模型中的图卷积模块， 得到每个物品针对特定用户 的预测相关性得分， 包括： 利用多个卷积层对用户和物品的交互信息以及用户与物品的特征向量进行图卷积操 作； 将不同卷积次数的图卷积层的输出进行层组合操作， 得到图神经网络的最终输出； 根据图神经网络的输出， 计算每 个物品针对特定用户的预测相关性得分。 7.根据权利要求6所述的个性 化推荐方法， 其特 征在于， 所述图卷积 操作的公式如下： 其中， 角标l表示该向量所处的图卷积层， 表示用户结点um的邻居结点集合， 表权　利　要　求　书 2/4 页 3 CN 115438256 A 3