買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉海南大學申請的專利一種基于知識圖譜的物品推薦方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114461921B 。

龍圖騰網通過國家知識產權局官網在2025-08-15發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210216014.1，技術領域涉及：G06F16/9535；該發明授權一種基于知識圖譜的物品推薦方法是由黎楷文;葉春楊;周輝設計研發完成，并于2022-03-07向國家知識產權局提交的專利申請。

本一種基于知識圖譜的物品推薦方法在說明書摘要公布了：本發明屬于物品推薦技術領域，公開了一種基于知識圖譜的物品推薦方法，包括如下步驟：基于知識圖譜建立物品推薦預測模型；獲取若干推薦物品和目標用戶的用戶數據；將所有推薦物品和目標用戶的用戶數據輸入物品推薦預測模型進行預測，得到所有推薦物品的物品推薦預測結果；根據物品推薦預測結果對所有推薦物品進行排序和篩選，得到物品推薦清單。本發明解決了現有技術存在的物品推薦準確性低，不符合實際情況，用戶的使用滿意度低的問題。

本發明授權一種基于知識圖譜的物品推薦方法在權利要求書中公布了：1.一種基于知識圖譜的物品推薦方法，其特征在于：包括如下步驟： 基于知識圖譜建立物品推薦預測模型； 所述的物品推薦預測模型包括用戶交互學習模塊Uilunit、圖卷積網絡模塊、RippleNet網絡模塊以及全連接網絡模塊； 所述的用戶交互學習模塊包括交叉壓縮子模塊Cunit、自適應參數化修正線性子模塊APReLU、變化層TransformerLayer以及文本分類模型TextCNN； 獲取若干推薦物品和目標用戶的用戶數據； 所述的用戶數據包括目標用戶的原始的用戶歷史興趣和原始的用戶特征數據； 將所有推薦物品和目標用戶的用戶數據輸入物品推薦預測模型進行預測，得到所有推薦物品的物品推薦預測結果，包括如下步驟： 將目標用戶u的原始的用戶歷史興趣和原始的用戶特征數據uesrufeature輸入用戶交互學習模塊，得到提取后的用戶歷史興趣h_hisory和多信息交互的用戶特征high_user，包括如下步驟： 將目標用戶u的單個特征拼接得到原始用戶特征矩陣，再把用戶特征矩陣通過復制的方式構建成與一樣大小的矩陣uf； 將和uf輸入Cunit構建交叉矩陣C，得到交互后的用戶特征矩陣ufc和交互后的用戶歷史興趣交叉壓縮子模塊Cunit包括輸入部分input、交叉部分Cross、交叉特征矩陣部分Crossfeaturematrix、壓縮部分Compress以及輸出部分output； 公式為： 式中，C為交叉矩陣，d為原始的用戶歷史興趣的維度； 式中，WUU、WUR、WRU、WRR均為交叉壓縮子模塊的權重；bU、bR均為交叉壓縮子模塊的偏置項； 將ufc依次通過一個APReLU和TextCNN，式中TextCNN設置了2個維度為d，大小為{2,3}的卷積核，式中的池化層用LeakyReLU，將TextCNN的輸出向量進行拼接和隨機丟棄dropout，得到多信息交互的用戶特征high_user； 分別依次通過另一個APReLU和TransformerLayer，將通過線性投影得到權重矩陣WQ、WK、WV，WQ、WK、WV分別為注意力機制中的查詢項的權重、鍵項的權重、值項的權重，并將輸入多頭自注意力機制Multi-HeadSelf-attentionmechanism進行計算，再通過AddNorm模塊把上一層的輸入和上一層的輸出相加，進行注意力機制前后的殘差連接，再用規范化模塊LayerNormalization對隱藏層歸一化為標準正太分布，最后使用前饋網絡feed-forwardnetwork和AddNorm模塊進行線性變換，得到提取后的用戶歷史興趣h_hisory，公式為： 式中，headi為第i個注意頭的輸出；Attention*為注意力機制函數；S、MH*均為多頭自注意力機制函數；Concat*為連接函數；Wo為多頭自注意力機制的矩陣權重；X、AN*均為AddNorm模塊函數；ReLU*為激活函數；W1、W2均為激活函數的權重；b1、b2均為偏置項； 將提取后的用戶歷史興趣h_hisory和當前推薦物品itemv輸入圖卷積網絡模塊，通過圖卷積神經網絡來學習目標用戶的歷史興趣與實體之間的相關性，得到物品表示增強的向量再進行非線性轉換，公式為： 式中，item_embedding_G為非線性轉換后物品表示增強的向量；WEir是全連接層的權重；bEir是偏置項；為根據目標用戶u對推薦物品itemv的拓撲領域結構的鄰局節點集合Sv得到的實體中itemv鄰域k個節點的集合；Sv為鄰局節點集合，Sv＝{e|e∈Nv,|Sv|＝k}；e為實體指示量； 目標用戶u對推薦物品itemv的拓撲領域結構的公式為： 式中，為用戶關系得分歸一化函數；Nv為KG中與itemv直接相連接的實體集合，采用隨機選取k個固定鄰居節點數量且設置參數hopn控制鄰域的深度； 將作為目標用戶u的歷史興趣集中KG的種子，然后沿著鏈接向周邊擴散，形成多個波紋集公式為： 式中，G為推薦物品的KG；均為目標用戶u的hop跳的實體集合；H為hop跳的總數；為目標用戶u的hop跳的鄰居集合；t為三元組的尾實體；h為三元組的頭實體；r為三元組中的連接h與t的關系； 將非線性轉換后物品表示增強的向量item_embedding_G輸入RippleNet網絡模塊，得到用戶的興趣表示user_embeddibg_ripple和迭代后物品的知識表示item_embeddibg_ripple，公式為： 式中，Wripp為全連接網絡模塊的權重；bripp為偏置項；為目標用戶u的hop的興趣表示，hop＝1,2,...,H； 式中，為目標用戶u的hop的興趣表示，hop＝1,2,...,H； 目標用戶u的hop的興趣表示的公式為： 式中，為目標用戶u的第j的hop的興趣表示；j為hop指示量；為目標用戶u的第j的hop跳的鄰居集合；pj為擴散中h，r歸一化的相似度； 將提取后的用戶歷史興趣h_hisory、多信息交互的用戶特征high_user以及用戶的興趣表示user_embeddibg_ripple輸入全連接網絡模塊Zu，得到最終的用戶嵌入； 將非線性轉換后物品表示增強的向量item_embedding_G和迭代后物品的知識表示item_embeddibg_ripple輸入全連接網絡模塊Zv，得到最終的物品嵌入，公式為： 式中，u'為最終的用戶嵌入；v'為最終的物品嵌入；均為偏置項； 根據最終的用戶嵌入和最終的物品嵌入得到目標用戶對當前推薦物品的點擊概率，即當前推薦物品的物品推薦預測結果，公式為： 式中，為目標用戶u對當前推薦物品itemv的點擊概率；σ*為sigmoid函數； 重復上述預測步驟，直至得到所有推薦物品的物品推薦預測結果； 根據物品推薦預測結果對所有推薦物品進行排序和篩選，得到物品推薦清單。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人海南大學，其通訊地址為：570203 海南省海口市人民大道58號海南大學；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。