[发明专利]一种聚合知识图神经网络和自适应注意力的推荐方法

权利要求书

1.一种聚合知识图神经网络和自适应注意力的推荐方法，其特征在于，包括以下步骤：

S1，将用户，关系，实体的知识图三元组作为输入，并为其分配初始嵌入表示即用户嵌入表示、关系嵌入表示、实体嵌入表示；

S2，利用用户嵌入表示和关系嵌入表示的内积表示该种关系对用户的重要程度；将异构知识图谱转换为一个带权图，然后为目标节点挑选邻居目标节点并训练其领域嵌入表示；同时，将初始的实体嵌入表示喂进图神经网络训练并产生新的实体嵌入表示；随后聚合邻域嵌入表示和新的实体嵌入表示得到最终物品嵌入表示；

所述带权图包括：关系感知注意力和感受野；

所述关系感知注意力包括：

引入一个面向用户的关系注意力得分函数以提供用户u对关系r的重视程度，如式(2)所示：

其中u和r分别表示用户u和关系r的嵌入特征向量，·^T表示转置；

所述感受野包括：

目标节点v的邻域嵌入表示定义如下：

其中为目标节点v的邻域嵌入，e表示实体e，N(v)表示被挑选的邻居集合，表示用户关系得分正则化，如式(4)所示：

其中表示以自然底数为底为指数的函数，表示用户u对该种关系r的重视程度，e表示实体e，N(v)表示被挑选的邻居集合；

S3，将用户嵌入表示和最终物品嵌入表示的内积作为最终预测评分，并将最高得分所对应的物品推荐给用户。

2.根据权利要求1所述的一种聚合知识图神经网络和自适应注意力的推荐方法，其特征在于，所述图神经网络训练包括：

前馈传播：

其中H₀表示第0层中实体矩阵，H₁表示第1层中实体矩阵，H₂表示第2层中实体矩阵，H₃表示第3层中实体矩阵，H_l-1表示第l-1层中实体矩阵，H_l表示第l层中实体矩阵；σ(·)表示非线性激活函数，D_u表示A_u的对角矩阵，A_u表示带权图，l表示层数，W₀表示第0层的权重参数，W₁表示第1层的权重参数，W₂表示第2层的权重参数，W_l-1表示第l-1层的权重参数。

3.根据权利要求1所述的一种聚合知识图神经网络和自适应注意力的推荐方法，其特征在于，所述聚合包括：

三种类型的聚合器：GCN聚合器，GraphSage聚合器，Bi交互聚合器；

所述GCN聚合器包括：将目标实体表示与其邻域表示求和并经过非线性转换，如式(6)所示：

其中LeakyRelu(·)表示激活函数，Q和b分别表示权重矩阵和偏置，H_l表示第l层中实体矩阵，e_v表示物品的最终嵌入特征向量，表示目标节点v的邻域嵌入特征向量；

所述GraphSage聚合器包括：

将目标实体表示和其领域表示串联起来，然后再经过一层非线性变换，如式(7)所示：

其中LeakyRelu(·)表示激活函数，Q和b分别表示权重矩阵和偏置，H_l表示第l层中实体矩阵，||表示串联，e_v表示物品的最终嵌入特征向量，表示目标节点v的邻域嵌入特征向量；

所述Bi交互聚合器包括：

考虑了目标实体表示和其领域表示的两种特征交互，如式(8)所示：

其中LeakyRelu(·)表示激活函数，H_l表示第l层中实体矩阵，⊙表示点积，b₁、b₂的分别表示第一偏置、第二偏置；Q₁、Q₂分别表示第一权重矩阵、第二权重矩阵；e_v表示物品的最终嵌入特征向量，表示目标节点v的邻域嵌入特征向量。