(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211082132.4 (22)申请日 2022.09.06 (71)申请人 北京信息科技大 学 地址 100000 北京市海淀区清河小营东路 12号 (72)发明人 何琼　陈进东　张健　贾昊男　 (74)专利代理 机构 北京竟易和专利代理事务所 (特殊普通 合伙) 1610 3 专利代理师 李欣迎 (51)Int.Cl. G06F 16/9535(2019.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 基于特征融合的中小微企业服务图卷积网 络推荐方法 (57)摘要 本申请公开了一种基于特征融合的中小微 企业服务图卷积网络推荐 方法， 属于信息推荐技 术领域。 该方法包括数据采集和数据预处理； 基 于数据预处理结果提取用户自身特征、 服务自身 特征以及构建用户 ‑服务二部图； 将所述用户自 身特征、 服务自身特征及用户 ‑服务二部图， 经过 图卷积神经网络进行编码和辅助特征融合得到 用户、 服务特征的最终嵌入表示； 基于所述用户、 服务特征的最终嵌入表示进行用户 ‑服务的链路 连接预测， 将预测为确定连接的服务资源推荐 给 用户。 通过在节点信息中融入用户、 服务的辅助 信息更好的对节点信息进行描述， 对比同期的 图 神经网络推荐算法有较好的效果， 对缓解推荐系 统冷启动问题有明显改善 。 权利要求书3页 说明书8页 附图2页 CN 115422459 A 2022.12.02 CN 115422459 A 1.一种基于特 征融合的中小微企业 服务图卷积网络推荐方法， 其特 征在于， 包括： 步骤1、 数据采集和数据预处 理； 步骤2、 基于数据预处理结果提取用户自身特征、 服务自身特征以及构建用户 ‑服务二 部图； 步骤3、 将所述用户自身特征、 服务自身特征及用户 ‑服务二部图， 经过图卷积神经网络 进行编码和辅助特 征融合得到用户、 服 务特征的最终嵌入表示； 步骤4、 基于所述用户、 服务特征的最终嵌入表示进行用户 ‑服务的链路连接预测， 将预 测为确定连接的服 务资源推荐给用户。 2.根据权利要求1所述的方法， 其特征在于， 所述数据采集具体为收集平台的原始数 据， 包括用户信息、 服务信息和交易信息； 以及在用户信息、 服务信息的节点信息中融入用 户、 服务的辅助信息， 如企业行业类型、 企业归属地、 公司类型、 服 务资源类型。 3.根据权利要求1或2所述的方法， 其特征在于， 所述数据预处理具体为对采集到的数 据进行数据清洗， 对其中重复、 缺 失、 不规范的数据进 行删除处理， 分别形成用户特征表[用 户id， 行业大类， 行业中类， 行业小类， 公司归属地， 公司类型]， 服务特征表[服务id， 服务大 类， 服务中类， 服务小类 ]， 交易数据表[用户id， 服务id， 评 分r]， 评分r表示用户和服务的交 易关系。 4.根据权利要求1所述的方法， 其特征在于， 所述步骤S2具体为： 使用特征处理方法对 用户特征和服务特征进行处理分别得到用户自身特征和服务自身特征 的表示； 根据用户 ‑ 服务的交互信息构建用户 ‑服务二部图， 表示为G＝(U,V,E)， 其中U代表用户的集合， V代表 服务的集合， E代表交易边的集合， 用户‑服务二部图的归一 化邻接矩阵为A ′。 5.根据权利要求1所述的方法， 其特征在于， 所述步骤S3具体为， 将所述用户自身特征、 所述服务自身 特征、 所述用户 ‑服务二部图的归一化邻接矩阵作为模 型输入， 通过图卷积神 经网络学习 得到用户 ‑服务交易信息下 的用户、 服务潜在特征的嵌入表示h， 在全连接层得 到用户、 服务辅助信息的用户、 服务的嵌入表示f， 然后将h、 f一起输入到全连接层得到用 户、 服务特征的最终嵌入表示。 6.根据权利要求1所述的方法， 其特征在于， 所述步骤S3包括： 将用户自身特征、 服务自 身特征、 用户 ‑服务二部图输入图卷积神经网络进 行局部图卷积， 其中特征值的信息被沿着 图的边传递和转换， 从服务节点j到用户节点i传递的消息表示为μj→i,r， 从用户节点i到服 务节点j的消息表示为μi→j,r； 在消息传递之后， 对每个节点都进行消息累计操作： 对评分r ＝1下所有邻居节点 N(ui)求和， 并将它 们累积为单个矢量表示： 其中， ReLU是激活函数， 为用户潜在特征的嵌入表示， 同理， 可以计算得到服 务潜在特 征的嵌入表示 将全连接层的用户潜在特征 进行转换得到每个用户基于交易的最终用户表征 同理， 使用参数矩阵W ′进行同样计算可以得到基于交易的最终服务表 征 7.根据权利要求6所述的方法， 其特征在于， 所述步骤S3包括： 引入用户、 服务的自身节权　利　要　求　书 1/3 页 2 CN 115422459 A 2点属性作为辅助信息， 在稠密隐含层中加入用户节点i的辅助信息 服务节点j的辅助 信息 学习用户、 服 务的辅助特 征嵌入表示fiu、 为： 其中， Wif(即 和 )为可训练的权重矩阵， bu是用户特征的偏置参数， bv是服务 特征的偏置参数。 8.根据权利要求7所述的方法， 其特征在于， 所述步骤S3包括： 通过全连接层， 将用户辅 助特征、 服务辅助特征、 用户潜在特征、 服务潜在特征进 行特征融合， 得到用户、 服务特征的 最终嵌入表示 和 如下： 其中， 和 是可训练的权重矩阵， σ( ·)为激活函数ReLU( ·)， 为用户潜在 特征的嵌入表示， 为服务潜在特征的嵌入表示， 为用户辅助特征的嵌入表示， 为 服务辅助特征的嵌入表示， 表示用户特征的最终嵌入表示， 表示服务特征的最终嵌入 表示。 9.根据权利要求1所述的方法， 其特征在于， 所述步骤S4具体为： 通过双线性解码器， 对 编码器学习到 的用户、 服务特征的最终嵌入表示 进行双线性运算， 生成一个概率 分布： 其中， Qr是一个维度为H *H的可训练参数矩阵， H是隐含特 征的维度， Qs是线性转换矩阵； 计算期望获得用户对服务资源的预测评分， 根据 该预测评分得到预测为确定连接的服 务资源作为推荐结果， 预测评分的计算方式为： 其中， E[ ]表示求期望值， 表示预测评分值变量， 表示预测评分在不同 评分等级上的概 率分布。 10.一种基于特征融合的中小微企业服务图卷积网络推荐系统， 其特征在于， 包括： 数 据采集模块， 用于数据采集和数据预处 理； 特征提取模块， 用于基于所述数据采集模块采集的数据提取用户自身特征、 服务自身 特征以及构建用户 ‑服务二部图； 特征融合模块， 用于将所述特征提取模块提取的用户自身特征、 服务自身特征及构建权　利　要　求　书 2/3 页 3 CN 115422459 A 3