[發(fā)明專利]基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的文獻推薦方法及推薦系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011278839.3
• 申請日: 2020-11-16
• 公開（公告）號: CN112380435A
• 公開（公告）日: 2021-02-19
• 發(fā)明（設(shè)計）人: 孫圣力;趙玉媛;李青山;司華友
• 申請（專利權(quán)）人: 北京大學(xué);南京博雅區(qū)塊鏈研究院有限公司;北京國信云服科技有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 無錫永樂唯勤專利代理事務(wù)所(普通合伙) 32369
• 代理人: 孫際德

1.一種基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的文獻推薦方法，其特征在于，所述推薦方法包括以下步驟：

S100，原始數(shù)據(jù)獲取步驟，獲取用戶特征數(shù)據(jù)以及文獻特征數(shù)據(jù)；

S200，文獻引文特征數(shù)據(jù)獲取步驟，從所述文獻特征數(shù)據(jù)中提取文獻屬性數(shù)據(jù)以及文獻引文數(shù)據(jù)，根據(jù)所述文獻屬性數(shù)據(jù)以及所述文獻引文數(shù)據(jù)通過圖卷積神經(jīng)網(wǎng)絡(luò)獲取文獻引文特征數(shù)據(jù)；

S300，結(jié)構(gòu)特征數(shù)據(jù)獲取步驟，根據(jù)預(yù)設(shè)元路徑提取結(jié)構(gòu)數(shù)據(jù)，根據(jù)所述結(jié)構(gòu)數(shù)據(jù)構(gòu)建異構(gòu)信息網(wǎng)絡(luò)，并通過自注意力機制學(xué)習(xí)網(wǎng)絡(luò)獲取結(jié)構(gòu)特征數(shù)據(jù)；

S400，推薦模型訓(xùn)練及推薦結(jié)果獲取步驟，將源數(shù)據(jù)進行規(guī)范化處理獲得樣本集，將所述樣本集劃分為訓(xùn)練集以及測試集，將所述訓(xùn)練集以及所述測試集輸入至推薦模型中對所述推薦模型進行訓(xùn)練并獲取推薦結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的文獻推薦方法，其特征在于，在所述步驟S100中，所述用戶特征數(shù)據(jù)包括用戶身份信息；所述文獻特征數(shù)據(jù)包括文獻身份信息、文獻標簽、文獻引文以及文獻單詞包集合中的任意一種或幾種。

3.根據(jù)權(quán)利要求2所述的基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的文獻推薦方法，其特征在于，在所述步驟S200中，所述根據(jù)所述文獻屬性數(shù)據(jù)以及所述文獻引文數(shù)據(jù)通過圖卷積神經(jīng)網(wǎng)絡(luò)獲取文獻引文特征數(shù)據(jù)包括以下步驟：

根據(jù)所述文獻屬性數(shù)據(jù)構(gòu)建文獻屬性特征矩陣；

根據(jù)所述文獻引文數(shù)據(jù)創(chuàng)建文獻引文圖，所述文獻引文圖包括鄰接矩陣和度矩陣；

將所述鄰接矩陣與self-loop相加，獲得self-loop-鄰接矩陣；

對所述self-loop-鄰接矩陣依據(jù)進行歸一化特征表示，對應(yīng)更改度矩陣獲得self-loop-度矩陣；

將所述文獻屬性特征矩陣、所述self-loop-鄰接矩陣以及所述self-loop-度矩陣輸入到所述圖卷積神經(jīng)網(wǎng)絡(luò)進行半監(jiān)督訓(xùn)練，直至所述半監(jiān)督訓(xùn)練的輸出結(jié)果與所述文獻屬性數(shù)據(jù)差別最小結(jié)束訓(xùn)練，輸出所述輸出結(jié)果作為文獻引文特征數(shù)據(jù)。

4.根據(jù)權(quán)利要求3所述的基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的文獻推薦方法，其特征在于，在所述S300中，所述預(yù)設(shè)元路徑包括“用戶-文獻-用戶”元路徑以及“文獻-用戶-文獻”元路徑；

所述“用戶-文獻-用戶”元路徑為對同一文獻打標簽的用戶，按照所述“用戶-文獻-用戶”元路徑獲取的矩陣數(shù)據(jù)作為用戶結(jié)構(gòu)特征源數(shù)據(jù)；

所述“文獻-用戶-文獻”元路徑為被同一用戶打標簽的文獻，按照所述“文獻-用戶-文獻”元路徑獲取的矩陣數(shù)據(jù)作為文獻結(jié)構(gòu)特征源數(shù)據(jù)；

將所述用戶結(jié)構(gòu)特征源數(shù)據(jù)以及所述獻結(jié)構(gòu)特征源數(shù)據(jù)通過類型轉(zhuǎn)換矩陣映射到相同空間中，獲得結(jié)構(gòu)數(shù)據(jù)。

5.根據(jù)權(quán)利要求4所述的基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的文獻推薦方法，其特征在于，在所述步驟S300中，所述通過自注意力機制獲取結(jié)構(gòu)特征數(shù)據(jù)包括以下步驟：

依據(jù)進行自注意力機制學(xué)習(xí)網(wǎng)絡(luò)處理獲得鄰居節(jié)點對本地節(jié)點的重要程度

依據(jù)對所述鄰居節(jié)點對本地節(jié)點的重要程度進行歸一化處理，獲得歸一化的鄰居節(jié)點對本地節(jié)點的重要程度；

依據(jù)整合所述本地節(jié)點的全部歸一化的鄰居節(jié)點對本地節(jié)點的重要程度及其權(quán)重系數(shù)并與所述本地節(jié)點的屬性向量進行拼接，獲得所述結(jié)構(gòu)特征數(shù)據(jù)。

6.根據(jù)權(quán)利要求1至5任意一項所述的基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的文獻推薦方法，其特征在于，在所述步驟S400中，所述源數(shù)據(jù)包括所述用戶特征數(shù)據(jù)、所述文獻特征數(shù)據(jù)、所述文獻引文特征數(shù)據(jù)以及所述結(jié)構(gòu)特征數(shù)據(jù)。