[发明专利]基于知识感知超图神经网络的推荐方法及系统

权利要求书

1.基于知识感知超图神经网络的推荐方法，其特征在于，包括以下步骤：

步骤一、构建用户超图，其中，用户超图包括用户的初始超边和2～l阶知识感知超边，l为大于1的整数，初始超边以与该用户具有交互关系的物品为实体结点，2阶知识感知超边以初始超边的实体结点对应的物品的辅助信息为实体结点，下一阶的知识感知超边是基于前一阶的知识感知超边的实体结点对应的物品或物品的辅助信息为实体结点，相邻两阶知识感知超边的实体结点分别对应物品和物品的辅助信息；

构建物品超图，其中，物品超图包括物品的初始超边和2～l阶知识感知超边，l为大于1的整数，初始超边以与该物品有交互关系的任一用户具有交互关系的物品为实体结点，2阶知识感知超边以初始超边的实体结点对应的物品的辅助信息为实体结点，下一阶的知识感知超边以前一阶的知识感知超边的实体结点对应的物品或物品的辅助信息为实体结点，相邻两阶知识感知超边的实体结点分别对应物品和物品的辅助信息；

步骤二、对用户超图和每个物品超图进行卷积计算，得到用户超图的单一向量和每个物品超图对应的单一向量；

步骤三、计算用户的单一向量和所有物品的单一向量的内积，再进行非线性变换，得到用户与所有物品的交互得分，该交互得分表示用户与该物品发生交互的概率。

2.如权利要求1所述的基于知识感知超图神经网络的推荐方法，其特征在于，采用领域卷积法处理该用户超图的每条初始超边和每条知识感知超边，得到该用户超图的每条超边的单一向量；

采用领域卷积法处理该物品超图的每条知识感知超边，得到该物品超图的每条超边的单一向量。

3.如权利要求2所述的基于知识感知超图神经网络的推荐方法，其特征在于，

采用超边卷积法处理用户超图的所有超边的单一向量，得到该用户超图的唯一单一向量；

采用超边卷积法处理该物品超图的所有知识感知超边的单一向量得到该物品的唯一单一向量。

4.如权利要求2所述的基于知识感知超图神经网络的推荐方法，其特征在于，领域卷积法具体采用以下方法计算：

将l阶超边和l-1阶超边中的实体向量放入一维卷积conv₁生成变换矩阵T，然后使用变换矩阵T对l阶超边中的实体向量进行置换和加权得到变换后的若干超边向量，然后使用一维卷积conv₂聚合变换后的超边向量得到l阶超边的单一向量，其中，l为大于1的整数，初始超边为1阶超边；

对于初始超边的领域卷积，只将初始超边中的实体向量放入一维卷积conv₁生成变换矩阵T。

5.如权利要求1所述的基于知识感知超图神经网络的推荐方法，其特征在于，对于用户超图：超边卷积法采用连接聚合器聚合用户超图的所有超边单一向量到对应用户和物品的唯一单一向量；

对于任一物品超图：采用连接聚合器聚合该物品超图的所有知识感知超边单一向量以及该物品本身的初始单一向量。

6.如权利要求1所述的基于知识感知超图神经网络的推荐方法，其特征在于，还包括：用于计算的所有物品中，为每个用户选取相同数量的正样本和负样本，负样本为从与未与该用户交互过的物品中随机抽取，正样本为与用户交互过的物品。

7.如权利要求1所述的基于知识感知超图神经网络的推荐方法，其特征在于，还包括对交互得分进行从大至小的排序，并输出排名靠前的一项或几项交互得分对应的物品。

8.基于知识感知超图神经网络的推荐系统，其特征在于，包括：

数据抓取模块，其用于获取用户及与用户交互过的物品信息；

知识感知超图构建模块，其用于构建用户超图，其中，用户超图包括用户的初始超边和2～l阶知识感知超边，l为大于1的整数，初始超边以与该用户具有交互关系的物品为实体结点，2阶知识感知超边以初始超边的实体结点对应的物品的辅助信息为实体结点，下一阶的知识感知超边是基于前一阶的知识感知超边的实体结点对应的物品或物品的辅助信息为实体结点，相邻两阶知识感知超边的实体结点分别对应物品和物品的辅助信息；

以及，用于构建物品超图，其中，物品超图包括物品的初始超边和2～l阶知识感知超边，l为大于1的整数，初始超边以与该物品有交互关系的任一用户具有交互关系的物品为实体结点，2阶知识感知超边以初始超边的实体结点对应的物品的辅助信息为实体结点，下一阶的知识感知超边以前一阶的知识感知超边的实体结点对应的物品或物品的辅助信息为实体结点，相邻两阶知识感知超边的实体结点分别对应物品和物品的辅助信息；

领域卷积模块，其用于采用领域卷积法处理该用户超图的每条初始超边和每条知识感知超边，得到该用户超图的每条超边的单一向量；

以及，用于采用领域卷积法处理该物品超图的每条知识感知超边，得到该物品超图的每条超边的单一向量；

超边卷积模块，其用于采用超边卷积法处理用户超图的所有超边的单一向量，得到该用户超图的唯一单一向量；

以及，采用超边卷积法处理该物品超图的所有知识感知超边的单一向量和该物品本身的初始单一向量得到该物品的唯一单一向量；

预测模块，其用于计算用户的单一向量和所有物品的单一向量的内积，再进行非线性变换，得到用户与所有物品的交互得分，该交互得分表示用户与该物品发生交互的概率。