[發明專利]基于異構圖注意力網絡的電影推薦方法、裝置及設備

在審

• 申請號: 202111154492.6
• 申請日: 2021-09-29
• 公開（公告）號: CN113836425A
• 公開（公告）日: 2021-12-24
• 發明（設計）人: 劉杰;王健宗;瞿曉陽
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F40/30;G06N3/04
• 代理公司: 深圳國新南方知識產權代理有限公司 44374
• 代理人: 周雷

1.一種基于異構圖注意力網絡的電影推薦方法，其特征在于，所述方法包括：

獲取用戶的電影推薦數據；

基于預設的向量映射模型將所述電影推薦數據映射為對應的實體向量；

基于預設的節點級注意力神經網絡計算所述實體向量之間的權重；

根據所述實體向量和所述權重構建異構圖注意力網絡，其中，所述異構圖注意力網絡基于預設的語義級別注意力機制對所述異構圖注意力網絡中的節點進行分析，輸出語義級的嵌入信息；

將所述異構圖注意力網絡輸出的嵌入信息輸入至預設的MLP模型進行分析，得到所述用戶對應的電影推薦結果。

2.根據權利要求1所述的基于異構圖注意力網絡的電影推薦方法，其特征在于，所述基于預設的向量映射模型將所述電影推薦數據映射為對應的實體向量，包括：

基于word2vec模型從所述電影推薦數據中提取出中間向量；

基于TransR模型將所述中間向量映射至關系空間中，以得到所述電影推薦數據對應的實體向量。

3.根據權利要求2所述的基于異構圖注意力網絡的電影推薦方法，其特征在于，所述基于TransR模型將所述中間向量映射至關系空間中，以得到所述電影推薦數據對應的實體向量，包括：

TransR模型通過以下公式將所述中間向量映射為所述電影推薦數據對應的實體向量：

其中，h為所述中間向量，為所述電影推薦數據對應的實體向量，Mr為TransR模型中定義的投影矩陣。

4.根據權利要求1所述的基于異構圖注意力網絡的電影推薦方法，其特征在于，所述基于預設的節點級注意力神經網絡計算所述實體向量之間的權重，包括：

在節點級注意力神經網絡中，通過以下公式計算所述實體向量之間的權重：

其中，表示在元路徑Φ下實體向量j對實體向量i的權重，att_node表示執行節點級注意的深度神經網絡，h_i表示實體向量i的特征，h_j表示實體向量j的特征，Φ表示預設的元路徑。

5.根據權利要求1所述的基于異構圖注意力網絡的電影推薦方法，其特征在于，在所述異構圖注意力網絡中，所述異構圖注意力網絡基于預設的語義級別注意力機制對所述異構圖注意力網絡中的節點進行分析，輸出語義級的嵌入信息的具體方式為：

所述異構圖注意力網絡按照預設的嵌入信息計算方式計算每個元路徑對應的嵌入信息；

所述異構圖注意力網絡按照預設的嵌入信息融合方式將每個元路徑對應的嵌入信息進行結合，得到語義級的嵌入信息以作為輸出。

6.根據權利要求5所述的基于異構圖注意力網絡的電影推薦方法，其特征在于，所述異構圖注意力網絡按照預設的嵌入信息計算方式計算每個元路徑對應的嵌入信息，包括：

所述異構圖注意力網絡通過以下公式計算每個元路徑對應的嵌入信息：

其中，表示在元路徑Φ下實體向量j對實體向量i的權重，表示在元路徑Φ中實體向量i的相鄰的實體向量集合，h_i表示實體向量i的特征，表示實體向量i在元路徑Φ下學到的語義級的嵌入信息，σ為預設的系數。

7.根據權利要求5所述的基于異構圖注意力網絡的電影推薦方法，其特征在于，所述異構圖注意力網絡按照預設的嵌入信息融合方式將每個元路徑對應的嵌入信息進行結合，得到語義級的嵌入信息以作為輸出，包括：

所述異構圖注意力網絡通過以下公式計算出所述異構圖注意力網絡的輸出：

其中，att_sem表示執行語義級別關注的深度神經網絡，表示實體向量i在元路徑Φ下學到的語義級的嵌入信息，表示元路徑Φ_i學到的權重，Z表示異構圖注意力網絡的最終輸出，p表示元路徑的數量。