(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 202210938355.X (22)申请日 2022.08.05 (71)申请人 湖南工商大 学 地址 410205 湖南省长 沙市岳麓区岳麓 大 道569号 (72)发明人 胡春华　缪和　唐先策　 (74)专利代理 机构 深圳众鼎汇成知识产权代理 有限公司 4 4566 专利代理师 朱业刚 (51)Int.Cl. G06F 16/9535(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于神经网络的多维兴趣融合推荐 方法、 装 置及相关 设备 (57)摘要 本发明公开了一种基于神经网络的多维兴 趣融合推荐方法、 装置及相关设备， 包括： 将点击 数据输入到兴趣融合模型， 其中， 混合网络模型 包括主体兴趣模 型、 附属兴趣模 型和兴趣干扰模 型， 主体兴趣模型为图神经网络模型， 附属兴趣 模型为循环神经网络模型， 兴趣干扰模型为深度 置信网络； 通过多层感知机的方式， 对主体兴趣 模型和附属兴趣模型进行融合， 得到多维混合模 型， 并采用多维混合模型对点击数据进行训练， 得到第一兴趣序列； 采用兴趣干扰模 型和点击数 据对第一兴趣序列进行校验， 根据校验结果确定 第二兴趣序列； 基于第二兴趣序列进行兴趣推 荐， 采用本发明能提高信息 推荐的精准 性。 权利要求书3页 说明书14页 附图4页 CN 115098789 A 2022.09.23 CN 115098789 A 1.一种基于神经网络的多维兴趣融合推荐方法， 其特征在于， 所述基于神经网络的多 维兴趣融合推荐方法包括： 获取用户点击数据； 将所述点击数据输入到兴趣融合模型， 其中， 所述混合网络模型包括主体兴趣模型、 附 属兴趣模型和兴趣干扰模型， 所述主体兴趣模型为图神经网络模型， 所述附属兴趣模型为 循环神经网络模型， 所述兴趣干扰模型为深度置信网络； 通过多层感知机的方式， 对所述主体兴趣模型和所述附属兴趣模型进行融合， 得到多 维混合模型， 并采用所述多维混合模型对所述 点击数据进行训练， 得到第一兴趣序列； 采用所述兴趣干扰模型和所述点击数据对所述第 一兴趣序列进行校验， 根据校验结果 确定第二兴趣序列； 基于所述第二兴趣序列进行兴趣推荐。 2.如权利要求1所述的基于神经网络的多维兴趣融合推荐方法， 其特征在于， 所述图神 经网络包括图神经网络层， 注意力层， 图门控层； 其中， 所述图神经网络层用于将点击数据转换为第 一点击序列， 用图的方式记录所述第 一点 击序列中各个要素之间的关系， 各个要素之间通过注意力权重、 时间权重和相关性权重链 接， 记录整个列 表中的所有要 素之间的关系并以矩阵的形式压缩到N 维空间中， 所述第一点 击序列为所述 点击数据和所有用户的历史数据构成的序列； 所述注意力层用于基于要素的频次， 采用权 重累加的方式为各个要素分配权 重； 所述图门控层用于在产生新的序列时， 定期遗忘历史序列中的要素， 所述非关键要素 基于要素的权 重确定。 3.如权利要求2所述的基于神经网络的多维兴趣融合推荐方法， 其特征在于， 所述循环 神经网络包括循环神经网络层、 循环神经网络注意力层、 循环神经网络门控层， 其中， 所述循环神经网络层模块用于将所述点击数据转化为第 二点击序列， 用张量的方式记 录所述第二点击序列各个点击要素之间的关系， 各个要素之间通过注意力权重、 时间权重 和相关性权重链接， 记录整个列表中的所有要素之间的关系并以矩阵的形式压缩到N维空 间中； 所述循环神经网络注意力层模块用于在列表中从起始到终止不断扫描目标要素， 并基 于所述目标要素在历史列表中出现次数分配权 重， 确定用户的主 要兴趣； 所述循环神经网络门控层用于在产生 新的序列时， 确定历史序列中定期遗 忘的要素。 4.如权利要求1所述的基于神经网络的多维兴趣融合推荐方法， 其特征在于， 所述主体 兴趣模型包含对应要素类别的节点， 输出为初始偏向用户主体兴趣的预测列表， 所述附属 兴趣模型包含对应要素 的矩阵维度， 输出为初始偏向用户附属兴趣的预测列表， 兴趣干扰 模型包含对应要素的矩阵维度， 用于确定用户在点击过程中产生的兴趣漂移。 5.如权利要求3所述的基于神经网络的多维兴趣融合推荐方法， 其特征在于， 所述通过 多层感知机的方式， 对所述主体兴趣模型和所述附属兴趣模型进行融合， 得到多维混合模 型包括： 基于所述 点击数据和所有用户的历史数据， 生成所述第一 点击序列； 以图谱的形式对所述点击序列建模， 得到关系图谱， 所述关系图谱的节点为各个要素 对应的实体， 节点之间的边包括实体间兴趣转化的概率参数、 实体注意力权重参数和门控权　利　要　求　书 1/3 页 2 CN 115098789 A 2权重参数， 其中， 所述 实体注意力权重为 实体与其他 实体的相似度组成的权重， 所述门控权 重为噪声点击对应的权 重； 采用所述关系图谱中的概率参数、 所述实体注意力 权重参数和所述门控权重参数更新 所述主体兴趣模型， 并采用更新后的主体兴趣模型 的各神经元进行动作预测训练， 得到图 网络模型的生成器生成概 率； 基于所述 点击数据和所述用户的历史数据， 生成所述第二 点击序列； 通过循环神经网络对所述第二点击序列进行特征抽取， 并以若干要素作为备选输出， 通过交叉熵损失函数对预测结果进行收敛， 得到所述 点击数据对应的判别器的输出概 率； 生成器生成概率与判别器的输出概率做对抗共同进行参数的反向传播， 并共同向真实 标签拟合， 基于拟合结果对图神经网络和循环神经网络的所有参数进行更新， 得到所述多 维混合模型。 6.如权利要求1所述的基于神经网络的多维兴趣融合推荐方法， 其特征在于， 所述兴趣 干扰模型通过简单深度置信神经网络对历史数据和所述点击数据进行训练， 生成不为真的 兴趣点， 并向所述主体兴趣 模型和所述附属兴趣 模型进行反事实推荐。 7.如权利要求6所述的基于神经网络的多维兴趣融合推荐方法， 其特征在于， 所述采用 所述兴趣干扰模型和所述点击数据对所述第一兴趣序列进 行校验， 根据校验结果确定第二 兴趣序列包括： 基于所述 点击数据和所述历史数据， 生成干扰序列； 将所述干扰序列 与所述第一兴趣序列进行融合并计算置信度， 得到第一置信度； 计算融合之前的置信度， 作为第二置信度； 将所述第一置信度与所述第二置信度进行对比， 若对比结果超过预设阈值， 则返回所 述通过多层感知机的方式， 对所述主体兴趣模型和所述附属兴趣模型进行融合， 得到多维 混合模型， 并采用所述多维混合模型对所述点击数据进行训练， 得到第一兴趣序列的步骤 继续执行， 直到对比结果 不超过所述预设阈值； 将此时得到的第一兴趣序列确定为所述第二兴趣序列。 8.一种基于神经网络的多维兴趣融合推荐装置， 其特征在于， 所述基于神经网络的多 维兴趣融合推荐装置包括： 数据获取模块， 用于获取用户点击数据； 数据输入模块， 用于将所述点击数据输入到兴趣融合模型， 其中， 所述混合网络模型包 括主体兴趣模型、 附属兴趣模型和兴趣干扰模型， 所述主体兴趣模型为图神经网络模型， 所 述附属兴趣 模型为循环神经网络模型， 所述兴趣干扰模型为深度置信网络； 第一兴趣序列生成模块， 用于通过多层感知机的方式， 对所述主体兴趣模型和所述附 属兴趣模型进行融合， 得到多维混合模型， 并采用所述多维混合模型对所述点击数据进行 训练， 得到第一兴趣序列； 第二兴趣序列生成模块， 用于采用所述兴趣干扰模型和所述点击数据对所述第 一兴趣 序列进行 校验， 根据校验结果确定第二兴趣序列； 兴趣推荐模块， 用于基于所述第二兴趣序列进行兴趣推荐。 9.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器 上运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1至权　利　要　求　书 2/3 页 3 CN 115098789 A 3