[發明專利]一種基于異構圖神經的人員推薦方法

在審

• 申請號: 202110559595.4
• 申請日: 2021-05-21
• 公開（公告）號: CN113887852A
• 公開（公告）日: 2022-01-04
• 發明（設計）人: 栗偉;閔新;謝維冬;陳強
• 申請（專利權）人: 東北大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/26;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李珉

1.一種基于異構圖神經的人員推薦方法，其特征在于，包括以下步驟：

步驟1：對人員及其辦理事件建立訓練數據集，對訓練數據集中事件的特征和人員的能力特征向量進行預處理，通過特征降維的方式將事件和人員用同一維度的向量表示；

步驟2：按照事件與人員的辦理關系構建事件類型與人員的異構圖，根據人員辦理該類型事件的次數計算邊的權重信息，根據邊和節點的權重生成鄰接矩陣；

步驟3：構建圖神經網絡模型，將事件-人員異構圖帶入圖神經網絡模型中，并對模型進行訓練；

步驟4：對圖神經網絡模型進行訓練，輸出人員辦理每類事件的評分列表，將測試數據集輸入圖神經網絡模型中，輸出測試事件推薦的個人員。

2.根據權利要求1所述的一種基于異構圖神經的人員推薦方法，其特征在于，步驟1中所述預處理為，采用主成分分析算法(PCA)對事件特征和人員的能力畫像特征進行降維，具體包括以下步驟：

步驟1.1：設置輸入的訓練數據集X＝{x₁,x₂,x₃,…,x_n}，將事件特征維度降到k維；其中x_i(i＝1,…,n)表示事件特征，n表示事件特征數量，對事件特征x_i進行去平均值，即去中心化，將每一位事件特征x_i減去各自的平均值：

步驟1.2：將數據集X轉化為矩陣形式，計算協方差矩陣

步驟1.3：用特征值分解方法求協方差矩陣的特征值與特征向量：

Dα＝λα

其中λ為矩陣D的特征值，α為矩陣D的特征向量；

步驟1.4：對特征值λ從大到小排序，選擇前l個特征值，將其對應的l個特征向量分別作為行向量組成特征向量矩陣P；

步驟1.5：將數據集X轉換到k個特征向量構建的新空間中，建立降維后的數據集Y：

Y＝PX。

3.根據權利要求1所述的一種基于異構圖神經的人員推薦方法，其特征在于，步驟2中所述異構圖為，設G＝{(C,P,w(C,P)|C,P∈V,w∈E)}為異構圖，其中V和E分別表示節點和邊，C表示事件的事件類型，P表示人員，w(·)表示連接兩個節點的邊的權重；

輸入人員列表P_j∈P，根據人員列表依次選定人員目標節點，并根據異構圖中目標節點的連接關系將異構圖轉換為二部圖；

根據連接人員與事件類型兩種節點連接的權重信息w_ij＝w(C_i,P_j)，其中C_i表示第i個事件類型，P_j表示第j個人員，生成連接鄰接矩陣其中M,N分別表示人員和事件類型的數量。

4.根據權利要求1所述的一種基于異構圖神經的人員推薦方法，其特征在于，步驟3中所述圖神經網絡模型，包括嵌入層、嵌入傳播層以及預測層，所述嵌入層輸入預處理后的事件特征和人員能力特征，作為圖神經網絡模型的初始化嵌入表示；所述嵌入傳播層，通過輸入事件類型與人員的交互信息，根據節點的高階連通性，在若干個嵌入傳播層更新節點的嵌入表示；所述預測層，聚合來自不同嵌入傳播層的節點的嵌入表示，并輸出人員對于每類事件的評分。

5.根據權利要求1所述的一種基于異構圖神經的人員推薦方法，其特征在于，所述步驟3具體包括：

步驟3.1：輸入預處理后的事件特征向量v_c和人員能力特征v_P，作為異構圖神經網絡模型的事件類型節點初始嵌入表示和人員節點初始嵌入表示其中表示實數范圍，d表示嵌入表示的大小，構建參數矩陣作為嵌入表示查找表：

步驟3.2：輸入人員與事件類型的交互信息，根據節點的高階連通性，在第k個嵌入傳播層更新節點的嵌入表示：

其中和分表是事件類型數和人員數；

步驟3.3：通過l層的傳播層更新節點的嵌入表示，最后聚合來自不同傳播層的節點的嵌入表示：

其中α_k≥0表示第k層的嵌入表示在最后嵌入表示的比重參數，α_k＝1/(K+1)；其中k表示當前第k層，K表示為總層數；

步驟3.4：將節點的嵌入表示內積作為預測函數，最后得到人員辦理每類事件的評分：

其中表示人員辦理每類事件的評分。