(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 202210945721.4 (22)申请日 2022.08.08 (71)申请人 中国人民解 放军战略支援 部队信息 工程大学 地址 450000 河南省郑州市高新区科 学大 道62号 (72)发明人 谭磊　金雨璇　巩道福　李震宇　 刘粉林　杜少勇　齐保军　 (74)专利代理 机构 郑州大通专利商标代理有限 公司 41111 专利代理师 张立强 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/25(2019.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于边信息和注意力机制的神经网络推荐 方法及系统 (57)摘要 本发明公开一种基于边信息和注意力机制 的神经网络推荐方法及系统， 该方法包括： 将多 源数据构建为异构信息网络； 所述数据包括用 户‑项目评分数据及边信息； 提取异构信息网络 中用户和项目的隐特征、 属性特征和关系特征； 其中隐特征为将用户和项目的编号进行嵌入得 到的稠密特征表示， 属性特征是通过多层感知器 网络从用户和项目的属性矩阵中学习得到的， 关 系特征是通过基于元路径的网络嵌入从异构信 息网络中学习得到的； 根据提取的用户和项目的 隐特征、 属性特征和关系特征来预测用户对项目 的评分， 并基于预测评分进行推荐。 本发明能够 有效地提取和 融合异构信息网络中的用户和项 目的特征， 以提高推荐性能。 权利要求书2页 说明书20页 附图3页 CN 115408605 A 2022.11.29 CN 115408605 A 1.一种基于边信息和注意力机制的神经网络推荐方法， 其特 征在于， 包括： 步骤1， 将多源数据构建为异构信息网络； 所述数据包括用户 ‑项目评分数据及边信息； 步骤2， 提取异构信息网络中用户 和项目的隐特征、 属性特征和关系特征； 其中隐特征 为将用户和项目的编号进 行嵌入得到的稠密特征表示， 属性特征是通过多层感知器网络从 用户和项目的属性矩阵中学习得到的， 关系特征是通过基于元路径的网络嵌入从异构信息 网络中学习得到的； 步骤3， 根据提取的用户和项目的隐特征、 属性特征和关系特征来预测用户对项目的评 分， 并基于预测评分进行推荐。 2.根据权利要求1所述的基于边信 息和注意力 机制的神经网络推荐方法， 其特征在于， 所述步骤2中， 按照如下方式提取异构信息网络中用户和项目的 隐特征： 将用户和项目的对 应编号转换为独热编码的二值化向量； 通过嵌入层把得到的二值化向量映射为稠密的用 户/项目嵌入； 得到的用户/项目嵌入即为用户/项目的隐特 征。 3.根据权利要求1所述的基于边信 息和注意力 机制的神经网络推荐方法， 其特征在于， 所述步骤2中， 利用基于元路径的网络嵌入从异构信息网络中提取用户和项目的关系特征， 包括： 首先， 对于每一条元路径， 利用连通矩阵将异构信息网络转换为相应的同构信息网 络； 然后， 利用网络嵌入算法提取同构信息网络中的用户或项目的特 征表示。 4.根据权利要求1所述的基于边信 息和注意力 机制的神经网络推荐方法， 其特征在于， 所述步骤2中， 按照如下方式提取异构信息网络中用户和项目的属性特征： 将用户和项目的 属性值转换为独热或多热编码的二值化向量； 通过具有ReLU激活函数的两层全连接网络， 将得到的二值化向量映射为稠密的特征表示， 即得到用户属性特征矩阵以及项目属性特征 矩阵。 5.根据权利要求1所述的基于边信 息和注意力 机制的神经网络推荐方法， 其特征在于， 所述步骤3包括： 将每个用户和项目的 隐特征、 属性特征和关系特征通过一个注意力网络融 合为一个用户特征向量和一个项目特征向量， 然后， 利用用户特征向量及项目特征向量预 测用户对项目的评分， 并将预测评分最高的前n个项目推荐给用户。 6.一种基于边信息和注意力机制的神经网络推荐系统， 其特 征在于， 包括： 异构信息网络构建模块， 用于将多源数据构建为异构信 息网络； 所述数据包括用户 ‑项 目评分数据及边信息； 特征提取模块， 用于提取异构信息网络 中用户和项目的隐特征、 属性特征和关系特征； 其中隐特征为将用户和项目的编号进 行嵌入得到的稠密特征表示， 属性特征是通过多层感 知器网络从用户和项目的属性矩阵中学习得到的， 关系特征是通过基于元路径的网络嵌入 从异构信息网络中学习得到的； 预测评分及推荐模块， 用于根据提取的用户 和项目的隐特征、 属性特征和关系特征来 预测用户对项目的评分， 并基于预测评分进行推荐。 7.根据权利要求6所述的基于边信 息和注意力 机制的神经网络推荐系统， 其特征在于， 所述特征提取模块中， 按照如下方式提取异构信息网络中用户和项目的隐特征： 将用户和 项目的对应编号转换为独热编 码的二值化向量； 通过嵌入层把得到的二值化向量映射为稠 密的用户/项目嵌入； 得到的用户/项目嵌入即为用户/项目的隐特 征。 8.根据权利要求6所述的基于边信 息和注意力 机制的神经网络推荐系统， 其特征在于，权　利　要　求　书 1/2 页 2 CN 115408605 A 2所述特征提取模块中， 利用基于元路径的网络嵌入从异构信息网络中提取用户和项目的关 系特征， 包括： 首先， 对于每一条元路径， 利用连通矩阵将异构信息网络转换为相应的同构 信息网络； 然后， 利用网络嵌入算法提取同构信息网络中的用户或项目的特 征表示。 9.根据权利要求6所述的基于边信 息和注意力 机制的神经网络推荐系统， 其特征在于， 所述特征提取模块中， 按照如下方式提取异构信息网络中用户和项目的属 性特征： 将用户 和项目的属性值转换为独热或多 热编码的二值化向量； 通过具有ReLU激活函数的两层 全连 接网络， 将得到的二值化向量映射为稠密的特征表示， 即得到用户属 性特征矩阵以及项目 属性特征矩阵。 10.根据权利要求6所述的基于边信息和注意力机制的神经网络推荐系统， 其特征在 于， 所述预测评 分及推荐模块具体用于： 将 每个用户和项目的 隐特征、 属性特征和关系特征 通过一个注意力网络融合为一个用户特征向量和一个项目特征向量， 然后， 利用用户特征 向量及项目特 征向量预测用户对项目的评分， 并将预测评分最高的前n个项目推荐给用户。权　利　要　求　书 2/2 页 3 CN 115408605 A 3