(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 202211168947.4 (22)申请日 2022.09.25 (71)申请人 郑州大学 地址 450001 河南省郑州市高新 技术开发 区科学大道100号 (72)发明人 吴宾　时天任　钟李红　叶阳东　 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/9535(2019.01) G06F 16/9537(2019.01) (54)发明名称 面向序列化推荐的图增强胶囊网络 研究 (57)摘要 本发明旨在提高系统推荐结果的准确率， 公 开了一种面向序列化推荐的图增强胶囊网络研 究， 主要专注于如何同时建模用户长短期偏好。 一方面， 该方法有效地利用图卷积网络聚集高阶 邻居信息的特性， 显式挖掘用户 ‑物品历史交互 数据来获取用户的长期兴趣表示； 另一方面， 在 学习用户的短期兴趣表示过程， 该方法设计用户 特定的胶囊模块和位置感知的门控模块， 侧重于 用户最近交互的物品的相对顺序， 以捕获联合层 和个体层的顺序模式。 此外， 为了联合表征用户 长短期兴趣， 本发明设计了一种双门控机制， 在 给定不同上下文信息的情况下决定每个模块的 贡献比例。 权利要求书2页 说明书6页 附图3页 CN 115496185 A 2022.12.20 CN 115496185 A 1.面向序列化推荐的图增强胶囊 网络研究， 其特征在于， (1)主要关注建模序列化推荐 中的用户偏好传递过程， 从联合层和个体层两个角度同时捕获用户兴趣并实现长期和短期 的用户兴趣的动态整合； (2)模 型包含4个模块， 分别是数据输入模块、 长期用户兴趣建模模 块、 短期用户兴趣建模模块和模型预测模块； (3)设计了一种双门控机制， 衡量每个模块在 特定环境下的重要性， 提升模型 预测准确率。 2.根据权利要求1所述的面向序列化推荐的图增强胶囊 网络研究模型， 将用户、 物品ID 初始化为潜在特征向量， 并通过初始 化每个物品来捕获序列模式， 为所用用户、 物品建立特 征向量查找表， 具体形式化表示 为： 3.根据权利要求1和2所述的面向序列化推荐的图增强胶囊网络研究模型， 其特征在 于， 依据图卷积神经网络的优点， 利用节点之间的高阶连通性将协作信号注入到长期用户 兴趣建模中， 摒弃传统图卷积特征变换与非线性激活操作， 采用最简洁的线性传播规则， 具 体为： 步骤1： 对于每个用户、 物品， 堆叠多个图形卷积层， 收集来自高阶邻居的有影响的信 号， 传播其邻居的特 征来获得节点表示， 更新向量表示形式为： 步骤2： 堆叠线性图卷积层后通过平均池策略得到最终用户和物品的表示： 4.根据权利要求1和3所述的面向序列化推荐的图增强胶囊网络研究模型， 其特征在 于， 采用用户特定的胶 囊模块捕捉最近交互的L个物品和目标物品之 间的集体影响； 使用位 置感知的门控模块捕捉L阶马尔可夫链中单个物品与目标物品之间的个体影响， 并采用门 控机制将用户特 征表示自适应融合， 得到用户的短期兴趣表示： 5.根据权利要求1、 3和4所述的面向序列化推荐的图增强胶囊网络研究模型， 其特征在 于， 引入两个权重矩阵， 进一步利用门控机制构成的双门控机制将长期偏好和短期兴趣融 合， 得到用户最终的特 征向量表示。 6.根据权利要求1、 3、 4和5所述的面向序列化推荐的图增强胶囊网络研究模型， 其特征 在于， 将输出 的用户特征向量和物品特征向量进行内积再和当前捕捉物品的流行度相加， 模型预测评分定义 为： 权　利　要　求　书 1/2 页 2 CN 115496185 A 27.根据权利要求1和6所述的面向序列化推荐的图增强胶囊网络研究模型， 其特征在 于， 模型关于预测评分的二元交叉熵损失函数为： 权　利　要　求　书 2/2 页 3 CN 115496185 A 3