(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 202211008460.X (22)申请日 2022.08.22 (71)申请人 齐鲁工业大学 地址 250353 山东省济南市长清区大 学路 3501号 (72)发明人 高茜　王雨婷　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 张庆骞 (51)Int.Cl. G06F 16/9535(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度兴趣网络和图神经网络的新闻推 荐方法及系统 (57)摘要 本发明公开了基于深度兴趣网络和图神经 网络的新闻推荐方法及系统， 涉及新闻推荐技术 领域。 将用户新闻交互建模成二部图， 提出了结 合深度兴趣网络的图神经新闻推荐模 型， 并根据 最终用户嵌入捕获稳定的长期用户兴趣。 基于用 户可能会被某事物暂时 吸引的情况考虑， 还使用 由门控神经网络和带有注意力更新门的门控神 经网络所 组成的深度兴趣网络， 利用最近用户的 阅读历史新闻来建模用户的短期兴趣。 结合用户 的长期和短期兴趣进行用户建模， 然后将其与候 选新闻表 示进行比较并进行点击率预测。 该方法 能够向用户推荐更符合其期待或需求的新闻， 具 有较高的预测准确率。 权利要求书2页 说明书8页 附图1页 CN 115374357 A 2022.11.22 CN 115374357 A 1.基于深度兴趣网络和图神经网络的新闻推荐方法， 其特 征在于， 包括： 获取用户对新闻链接的历史点击数据以及用户的交 互信息； 获取候选新闻数据； 将所述历史点击数据和候选新闻数据， 均输入到用户兴趣训练模型中， 获取用户的短 期兴趣； 根据用户的交 互信息， 获取用户的长期兴趣以及候选新闻的高阶表示； 将用户短期兴趣与长期兴趣进行拼接获得用户兴趣表示， 然后将用户兴趣表示与候选 新闻的特 征向量进行拼接； 对拼接结果进行 预测， 得到推荐的候选新闻。 2.如权利要求1所述的基于深度兴趣 网络和图神经网络的新闻推荐方法， 其特征在于， 获取用户的短期兴趣具体步骤为： 采用深度兴趣网络， 根据用户的新闻点击历史对用户进 行精准的兴趣提取， 通过兴趣提取和兴趣演化 来获得用户的短期兴趣表示。 3.如权利要求2所述的基于深度兴趣 网络和图神经网络的新闻推荐方法， 其特征在于， 采用门控神经网络来建模新闻之间的依赖关系； 通过分析兴趣演化的特点， 将注意机制的 局部激活能力和门控神经网络的顺序学习能力结合 起来， 建立兴趣演化模型。 4.如权利要求1所述的基于深度兴趣 网络和图神经网络的新闻推荐方法， 其特征在于， 根据用户的交互信息， 获取用户的长期兴趣以及候选新闻的高阶表 示， 具体过程为： 构建用 户‑新闻二部图， 并应用图卷积神经网络通过在多层传播嵌入来捕捉用户与新闻之间的高 阶关系并获得长期用户兴趣。 5.如权利要求4所述的基于深度兴趣 网络和图神经网络的新闻推荐方法， 其特征在于， 将用户新闻交互建模为一个二部图， 利用构建的用户新闻二部图， 应用图卷积神经网络通 过传播嵌入来捕捉用户与新闻之间的高阶关系； 利用邻域信息更新 候选新闻嵌入表示； 根据新闻嵌入来获得其1跳相邻用户嵌入， 将得到的嵌入进行聚合， 得到嵌入的二阶新 闻； 通过完整的用户点击历史学习的用户嵌入捕获长期用户兴趣。 6.如权利要求1所述的基于深度兴趣 网络和图神经网络的新闻推荐方法， 其特征在于， 将用户短期兴趣与长期兴趣进 行拼接获得用户兴趣表示， 然后 将用户兴趣表示与候选新闻 的特征向量进行拼接， 具体包括： 通过对长期和短期嵌入向量的串联进行线性变换来计算 用户嵌入； 将用户感兴趣新闻的特 征向量与候选新闻的特 征向量进行串联拼接 。 7.如权利要求1所述的基于深度兴趣 网络和图神经网络的新闻推荐方法， 其特征在于， 对拼接结果进行 预测， 得到推荐的候选新闻， 具体包括： 将拼接结果输入到多层感知器， 得到推荐的候选新闻的推荐概 率值； 按照推荐概率值由大到小的顺序对候选新闻进行排序， 将排序靠前的新闻推荐给用 户。 8.基于深度兴趣网络和图神经网络的新闻推荐系统， 其特 征在于， 包括： 数据获取模块， 被配置为获取用户对新闻链接的历史点击数据以及用户的交互信息； 获取候选新闻数据； 短期兴趣获取模块， 被配置为将所述历史点击数据和候选新闻数据， 均输入到用户兴 趣训练模型中， 获取用户的短期兴趣；权　利　要　求　书 1/2 页 2 CN 115374357 A 2长期兴趣获取模块， 被配置为根据用户的交互信息， 获取用户的长期兴趣以及候选新 闻的高阶表示； 兴趣拼接模块， 被配置为将用户短期兴趣与长期兴趣进行拼接获得用户兴趣表示， 然 后将用户兴趣表示与候选新闻的特 征向量进行拼接； 新闻预测模块， 被 配置为对拼接结果进行 预测， 得到推荐的候选新闻。 9.一种计算机可读存储介质， 其特征在于， 其中存储有多条指令， 所述指令适于由终端 设备的处理器加载并执行权利要求 1‑7中任一项 所述的基于深度兴趣网络和图神经网络的 新闻推荐方法。 10.一种终端设备， 其特征在于， 包括处理器和计算机可读存储介质， 处理器用于实现 各指令； 计算机可读存储介质用于存储多条指令， 所述指令适于由处理器加载并执行权利 要求1‑7中任一项所述的基于深度兴趣网络和图神经网络的新闻推荐方法。权　利　要　求　书 2/2 页 3 CN 115374357 A 3