买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉海南大学申请的专利一种基于知识图谱的物品推荐方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114461921B 。

龙图腾网通过国家知识产权局官网在2025-08-15发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210216014.1，技术领域涉及：G06F16/9535；该发明授权一种基于知识图谱的物品推荐方法是由黎楷文;叶春杨;周辉设计研发完成，并于2022-03-07向国家知识产权局提交的专利申请。

本一种基于知识图谱的物品推荐方法在说明书摘要公布了：本发明属于物品推荐技术领域，公开了一种基于知识图谱的物品推荐方法，包括如下步骤：基于知识图谱建立物品推荐预测模型；获取若干推荐物品和目标用户的用户数据；将所有推荐物品和目标用户的用户数据输入物品推荐预测模型进行预测，得到所有推荐物品的物品推荐预测结果；根据物品推荐预测结果对所有推荐物品进行排序和筛选，得到物品推荐清单。本发明解决了现有技术存在的物品推荐准确性低，不符合实际情况，用户的使用满意度低的问题。

本发明授权一种基于知识图谱的物品推荐方法在权利要求书中公布了：1.一种基于知识图谱的物品推荐方法，其特征在于：包括如下步骤： 基于知识图谱建立物品推荐预测模型； 所述的物品推荐预测模型包括用户交互学习模块Uilunit、图卷积网络模块、RippleNet网络模块以及全连接网络模块； 所述的用户交互学习模块包括交叉压缩子模块Cunit、自适应参数化修正线性子模块APReLU、变化层TransformerLayer以及文本分类模型TextCNN； 获取若干推荐物品和目标用户的用户数据； 所述的用户数据包括目标用户的原始的用户历史兴趣和原始的用户特征数据； 将所有推荐物品和目标用户的用户数据输入物品推荐预测模型进行预测，得到所有推荐物品的物品推荐预测结果，包括如下步骤： 将目标用户u的原始的用户历史兴趣和原始的用户特征数据uesrufeature输入用户交互学习模块，得到提取后的用户历史兴趣h_hisory和多信息交互的用户特征high_user，包括如下步骤： 将目标用户u的单个特征拼接得到原始用户特征矩阵，再把用户特征矩阵通过复制的方式构建成与一样大小的矩阵uf； 将和uf输入Cunit构建交叉矩阵C，得到交互后的用户特征矩阵ufc和交互后的用户历史兴趣交叉压缩子模块Cunit包括输入部分input、交叉部分Cross、交叉特征矩阵部分Crossfeaturematrix、压缩部分Compress以及输出部分output； 公式为： 式中，C为交叉矩阵，d为原始的用户历史兴趣的维度； 式中，WUU、WUR、WRU、WRR均为交叉压缩子模块的权重；bU、bR均为交叉压缩子模块的偏置项； 将ufc依次通过一个APReLU和TextCNN，式中TextCNN设置了2个维度为d，大小为{2,3}的卷积核，式中的池化层用LeakyReLU，将TextCNN的输出向量进行拼接和随机丢弃dropout，得到多信息交互的用户特征high_user； 分别依次通过另一个APReLU和TransformerLayer，将通过线性投影得到权重矩阵WQ、WK、WV，WQ、WK、WV分别为注意力机制中的查询项的权重、键项的权重、值项的权重，并将输入多头自注意力机制Multi-HeadSelf-attentionmechanism进行计算，再通过AddNorm模块把上一层的输入和上一层的输出相加，进行注意力机制前后的残差连接，再用规范化模块LayerNormalization对隐藏层归一化为标准正太分布，最后使用前馈网络feed-forwardnetwork和AddNorm模块进行线性变换，得到提取后的用户历史兴趣h_hisory，公式为： 式中，headi为第i个注意头的输出；Attention*为注意力机制函数；S、MH*均为多头自注意力机制函数；Concat*为连接函数；Wo为多头自注意力机制的矩阵权重；X、AN*均为AddNorm模块函数；ReLU*为激活函数；W1、W2均为激活函数的权重；b1、b2均为偏置项； 将提取后的用户历史兴趣h_hisory和当前推荐物品itemv输入图卷积网络模块，通过图卷积神经网络来学习目标用户的历史兴趣与实体之间的相关性，得到物品表示增强的向量再进行非线性转换，公式为： 式中，item_embedding_G为非线性转换后物品表示增强的向量；WEir是全连接层的权重；bEir是偏置项；为根据目标用户u对推荐物品itemv的拓扑领域结构的邻局节点集合Sv得到的实体中itemv邻域k个节点的集合；Sv为邻局节点集合，Sv＝{e|e∈Nv,|Sv|＝k}；e为实体指示量； 目标用户u对推荐物品itemv的拓扑领域结构的公式为： 式中，为用户关系得分归一化函数；Nv为KG中与itemv直接相连接的实体集合，采用随机选取k个固定邻居节点数量且设置参数hopn控制邻域的深度； 将作为目标用户u的历史兴趣集中KG的种子，然后沿着链接向周边扩散，形成多个波纹集公式为： 式中，G为推荐物品的KG；均为目标用户u的hop跳的实体集合；H为hop跳的总数；为目标用户u的hop跳的邻居集合；t为三元组的尾实体；h为三元组的头实体；r为三元组中的连接h与t的关系； 将非线性转换后物品表示增强的向量item_embedding_G输入RippleNet网络模块，得到用户的兴趣表示user_embeddibg_ripple和迭代后物品的知识表示item_embeddibg_ripple，公式为： 式中，Wripp为全连接网络模块的权重；bripp为偏置项；为目标用户u的hop的兴趣表示，hop＝1,2,...,H； 式中，为目标用户u的hop的兴趣表示，hop＝1,2,...,H； 目标用户u的hop的兴趣表示的公式为： 式中，为目标用户u的第j的hop的兴趣表示；j为hop指示量；为目标用户u的第j的hop跳的邻居集合；pj为扩散中h，r归一化的相似度； 将提取后的用户历史兴趣h_hisory、多信息交互的用户特征high_user以及用户的兴趣表示user_embeddibg_ripple输入全连接网络模块Zu，得到最终的用户嵌入； 将非线性转换后物品表示增强的向量item_embedding_G和迭代后物品的知识表示item_embeddibg_ripple输入全连接网络模块Zv，得到最终的物品嵌入，公式为： 式中，u'为最终的用户嵌入；v'为最终的物品嵌入；均为偏置项； 根据最终的用户嵌入和最终的物品嵌入得到目标用户对当前推荐物品的点击概率，即当前推荐物品的物品推荐预测结果，公式为： 式中，为目标用户u对当前推荐物品itemv的点击概率；σ*为sigmoid函数； 重复上述预测步骤，直至得到所有推荐物品的物品推荐预测结果； 根据物品推荐预测结果对所有推荐物品进行排序和筛选，得到物品推荐清单。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人海南大学，其通讯地址为：570203 海南省海口市人民大道58号海南大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。