欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022104184013
申请人: 宁波大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-17
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种异质信息网络增强的学术论文推荐方法,其特征在于:包括以下步骤:步骤1、构建异质信息网络,所述异质信息网络包含用户、论文、标签这3类节点,以及用户与论文之间的交互关系、论文与论文之间的引用关系、论文与标签之间的从属关系这3种关系;

步骤2、利用矩阵分解算法学习用户的交互特征、论文的交互特征;

步骤3、将交互特征输入异质图注意力网络,学习论文在异质信息网络中的高阶特征;

步骤4、利用外积计算融合步骤2和3学习得到的特征;

步骤5、将步骤4融合后的特征输入深度推荐模型预测评分。

2.根据权利要求1所述的一种异质信息网络增强的学术论文推荐方法,其特征在于:所述步骤1基于citeulike数据集构建异质信息网络,用户、论文、标签这3类节点分别用符号U、P、T表示,步骤1具体包括以下子步骤:子步骤1.1、源文件中的数据转换为三元组的形式:(h t r),h代表头节点id,t代表尾节点id,r代表头节点h和尾节点t之间的关系类型;

子步骤1.2、根据三元组建立关系矩阵,包括3个矩阵:用户与论文之间的|U|×|P|交互关系矩阵、论文与论文之间的|P|×|P|引用关系矩阵、论文与标签之间的|P|×|T|从属关系矩阵,矩阵的建立过程为:首先初始化全为0的矩阵,然后根据三元组定位矩阵元素的位置,其头节点为矩阵行号,尾节点为矩阵列号,并设置其值为1;

子步骤1.3、对齐关系矩阵的论文id号,建立异质信息网络。

3.根据权利要求2所述的一种异质信息网络增强的学术论文推荐方法,其特征在于:所述步骤2具体包括以下子步骤:子步骤2.1、随机初始化用户交互特征矩阵 和论文交互特征矩阵 ;

子步骤2.2、基于损失函数更新矩阵 和 ,损失函数如下: ,

其中, 表示 位用户交互特征, 表示 篇论文交互特征,表示交互特征维度,表示防止过拟合的正则化系数,迭代更新矩阵 和 ,直至 不再下降,R为用户论文历史交互矩阵。

4.根据权利要求3所述的一种异质信息网络增强的学术论文推荐方法,其特征在于:所述步骤3具体包括以下子步骤:子步骤3.1、给定论文相关元路径集合 ,基于子步骤1.2获得的关系矩阵计算元路径邻居矩阵,计算公式如下:对于元路径PUP, ,

对于元路径PP, ,

对于元路径PTP, ,

其中, 表示矩阵的转置,上述计算得到的邻居矩阵需要将其转换为二进制矩阵,设置阈值 ,当矩阵中的元素大于 时,值置1,否则值置0,计算公式如下:,

其中, 表示邻居矩阵第i行、第j列的元素值,为自定义阈值,通过对 、和 计算,可获得3个二进制邻居矩阵: 、 和 ,矩阵中值为1表示邻居关系,为0则没有邻居关系;

子步骤3.2、基于二进制邻居矩阵聚合邻居特征,引入节点级注意力,将有意义的邻居特征聚合学习目标节点特征,计算公式如下:,

其中, 为论文节点j对目标论文节点i的权值系数, 为幂指数函数,为激活函数, 表示节点注意力层查询向量的转置, 为论文节点i的交互特征,为拼接操作;根据权值系数聚合邻居信息,计算公式如下: ,

其中, 表示论文i根据系数 聚合特定元路径 邻居后的特征;

子步骤3.3、经过节点注意力层,学习不同元路径下的论文特征 ,引入元路径级注意力,融合不同元路径下的论文特征G,学习论文在异质信息网络中的一阶特征 ,计算公式如下: ,

 ,

其中, 分别为元路径注意力的权重矩阵和偏置, 为元路径注意力层的查询向量的转置, 为第i条元路径对应的权值系数, 为总的元路径数;

子步骤3.4、迭代地经过L层异质图注意力网络学习论文的高阶特征 ,计算公式如下: ,

其中, 表示不同层异质图注意力网络学习得到的论文特征。

5.根据权利要求4所述的一种异质信息网络增强的学术论文推荐方法,其特征在于:所述步骤4进行前先通过步骤2和步骤3得用户特征 ,论文交互特征 ,论文网络节点特征,求和论文交互特征和论文网络节点特征,得到新的论文特征 = + 。

6.根据权利要求5所述的一种异质信息网络增强的学术论文推荐方法,其特征在于:所述步骤4基于新的论文特征 再利用外积融合用户和论文的特征,得到交互图 ,计算公式如下: ,

其中, 为一个二维矩阵, 和 表示特定用户和论文的特征向量,向量的下标为其所在位置的值。

7.根据权利要求6所述的一种异质信息网络增强的学术论文推荐方法,其特征在于:所述步骤5具体包括以下子步骤:子步骤5.1、构建6层卷积层和1层全连接层的神经网络结构,每层卷积核个数为32,卷积核大小为2×2,步长为2,全连接层的维度为32×1,然后将步骤4得到的交互图 输入卷积网络预测评分,计算公式如下: ,

其中, 为模型预测评分, 、 表示第 层卷积核参数和偏置项,表示卷积操作,Relu为激活函数, 和 表示全连接的权值和偏置,flatten为矩阵转向量操作;

子步骤5.2、选择BPR作为损失函数,其通过最大化正样本与负样本的评分距离优化模型参数,计算公式如下: ,

其中, 表示训练集, 为用户 的正样本, 为用户 的负样本,为激活函数,和 为模型预测的正负样本评分, 是防止过拟合的正则化系数。