(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 20221021970 0.4 (22)申请日 2022.03.08 (71)申请人 清华大学 地址 100084 北京市海淀区清华园 (72)发明人 唐杰　张丹　朱一凡　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 杜月 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9538(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 30/06(2012.01) G06F 40/30(2020.01) (54)发明名称 一种基于图神经网络的物品推荐 方法、 装置 及存储介质 (57)摘要 本申请提出的一种基于图神经网络的物品 推荐方法、 装置及存储介质中， 获取用户信息、 物 品信息以及用户 ‑物品的交互信息， 利用用户信 息、 物品信息以及用户 ‑物品的交互信息， 构建用 户与物品之间的有向网络图， 构建基于图神经网 络的ApeGNN模型， 利用有向网络图对ApeGNN模型 进行训练， 得到目标ApeGNN模型。 获取每个用户 待推荐的物品信息， 利用目标ApeGNN模型得到待 推荐物品的预测分数， 根据预测分数确定排序结 果， 并根据排序结果输出每个用户对应的推荐物 品信息。 其中， 本申请考虑了用户和物品在每一 层中的语义差异性， 从而提高了物品推荐的准确 度。 权利要求书2页 说明书6页 附图2页 CN 114722269 A 2022.07.08 CN 114722269 A 1.一种基于图神经网络的物品推荐方法， 其特 征在于， 所述方法包括： 获取用户信息、 物品信息以及用户 ‑物品的交 互信息； 利用所述用户信 息、 物品信息以及用户 ‑物品的交互信 息， 构建用户与物品之间的有向 网络图； 构建基于图神经网络的ApeGNN模型， 利用所述有向网络图对所述ApeGNN模型进行训 练， 得到目标ApeGN N模型； 获取每个用户待推荐的物品信息； 利用所述目标ApeGNN模型得到所述待推荐物品的预测分数， 根据所述预测分数确定排 序结果， 并根据所述 排序结果输出 所述每个用户对应的推荐物品信息 。 2.如权利要求1中所述的方法， 其特征在于， 所述ApeGNN模型依次包括自适应聚合层、 自适应高维传播层、 自适应池化层、 以及预测层， 所述利用所述有向网络图对 所述ApeGNN模 型进行训练， 得到目标ApeGN N模型， 包括： 根据所述有向网络图， 对所有用户和所有物品进行初始化嵌入， 得到第 i个用户的初始 化嵌入表示 第j个物品的初始化嵌入表示 其中， 嵌入的维度为d， m和 n分别是用户 和物品的个数； 将用户初始化嵌入表示和物品初始化嵌入表示分别依次通过自适应聚合层、 自适应 高 维传播层、 自适应池化层、 以及预测层得到最后的预测分数； 利用贝叶斯个性化排名损失函数对ApeGNN模型的参数进行优化， 直至所述损失函数则 值不再变小， 得到目标ApeGN N模型。 3.如权利要求2中所述的方法， 其特 征在于， 所述自适应聚合层的操作包括： 所述自适应 聚合层对用户嵌入表示 和物品嵌入表示 利用嵌入的第一聚合函数 进行图卷积 操作， 得到用户嵌入表示 和物品嵌入表示 其中， 第一聚合 函数为AG G1， 所述用户嵌入表示 和物品嵌入表示 为： 其中， N(ui)是用户ui的邻居集合， θu是用户含有t的唯一权重参数， L为图卷积网络的层 数， 和 为所述自适应聚合层在第l层为用户和物品分别配置的权重， e是对数函数， 是对角节点度数矩阵， A是不包 含自连接的邻接矩阵。 4.如权利要求2中所述的方法， 其特 征在于， 所述自适应高维传播层的操作包括： 所述自适应高维传播层利用嵌入的第二聚合函数和自适应聚合层的结果进行图卷积 操作， 以进 行嵌入传播探索高维连接信息， 其中， 第二聚合函数为AGG2， 用户ui和物品 υj在第 l层的传播嵌入为： 权　利　要　求　书 1/2 页 2 CN 114722269 A 2其中， 是对称归一 化项。 5.如权利要求2中所述的方法， 其特 征在于， 所述自适应池化层的操作包括： 所述自适应池化层对自适应高维传播层的结果进行联合， 得到用户ui和物品υj最后的 表征 和 其中， β(u,l)是为第l层用户配置的权 重， β( υ,l)是为第l层物品配置的权 重。 6.如权利要求2中所述的方法， 其特 征在于， 所述预测层的操作包括： 预测层将通过用户ui的表征 和物品υj的表征 进行内积， 得到最后的预测分数 根据所述预测分数确定排序结果， 并根据排序结果对用户进行推荐。 7.如权利要求2中所述的方法， 其特 征在于， 所述贝叶斯个性 化排名损失函数， 包括： 其中， 是成对的训练数据， 是交互记录的集合， 是未交互记录的集合， 是 sigmoid函数， λ控制L2正则化， 同时L2正则化在训练过程可以阻止过拟合。 8.一种基于图神经网络的物品推荐装置， 其特 征在于， 包括以下模块： 获取模块， 用于获取用户信息、 物品信息以及用户 ‑物品的交 互信息； 构建模块， 用于利用所述用户信息、 物品信息以及用户 ‑物品的交互信息， 构建用户与 物品之间的有向网络图； 训练模块， 还用于构建基于图神经网络的ApeGNN模型， 利用所述有向网络图对所述 ApeGNN模型进行训练， 得到目标ApeGN N模型； 所述获取模块， 还用于获取每 个用户待推荐的物品信息； 输出模块， 用于利用所述目标ApeGNN模型得到所述待推荐物品的预测分数， 根据所述 预测分数确定排序结果， 并根据所述 排序结果输出 所述每个用户对应的推荐物品信息 。 9.一种计算机设备， 其特征在于， 包括存储器、 处理器及存储在存储器上并可在处理器 上运行的计算机程序， 所述处理器执行所述程序时， 实现如权利要求1 ‑7中任一所述的方 法。 10.一种非临时性计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计 算机程序被处 理器执行时实现如权利要求1 ‑7中任一项所述方法。权　利　要　求　书 2/2 页 3 CN 114722269 A 3