【技术实现步骤摘要】
本专利技术涉及新闻推荐，尤其涉及一种基于交互式异构图神经网络的个性化新闻推荐方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、个性化新闻推荐是通过预测新闻文章与用户之间相关性，向用户推荐新闻文章以满足其信息需求的过程。与其他领域的推荐相比，新闻推荐具有更大的挑战性，因为新闻文章的时效性、新颖性等自然特征导致了其高度动态变化的特性，例如，新闻文章的相关性会发生快速变化。这样的系统不仅能帮助用户过滤海量新闻，还能采用个性化算法，主动推荐符合用户真正兴趣的新闻条目，从而极大地满足用户的信息需求。
3、近年来，基于图神经网络的技术得到了快速发展，深度学习领域关于图神经网络的研究热情日益高涨，图神经网络已经成为各大深度学习顶会的研究热点。图神经网络处理非结构化数据时的出色能力使其在网络数据分析、推荐系统、物理建模、自然语言处理和图上的组合优化问题方面都取得了新的突破，并为新闻推荐中增强基于内容的解决方案带来了新的机遇，因为这些技术具有处理结构化数据的强大能力，并能捕捉用户阅读历史中隐藏的兴趣偏向。对于最新图神经网络新闻推荐模型已经在新闻和用户图之间建立了有效的特征交互模型，从而实现了准确的新闻-用户表征匹配。
4、然而，现有的新闻推荐方法分别从用户和候选新闻中提取语义信息，忽略了用户与候选新闻之间的语义交互信息。此外，现有的新闻推荐方法仅使用相同的节点类型进行消息传递，忽略了不同节点类型之间的不同特征和拓扑结构。以前的新闻推荐方法通过文本表示来
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供了一种基于交互式异构图神经网络的个性化新闻推荐方法及系统，设计了一个协同融合模块来获取用户历史新闻与候选新闻之间的语义交互信息，该模块使用亲和度矩阵来计算不同词语之间的相关权重。同时，设计了一个异构门控图神经网络来映射不同的节点类型进行消息传递，从而可以获得图的高阶语义信息。此外，还设计了一个增强的相关注意模块，将文本表示和实体表示聚合成统一的表示，从而捕捉实体关系和文本之间的语义相关性。
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、本专利技术第一方面提供了一种基于交互式异构图神经网络的个性化新闻推荐方法。
4、一种基于交互式异构图神经网络的个性化新闻推荐方法，包括：
5、获取用户历史新闻和候选新闻；
6、训练交互式异构图神经网络；
7、将用户历史新闻和候选新闻输入到交互式异构图神经网络中，输出用户点击候选新闻的预测分数结果；
8、所述交互式异构图神经网络的结构：包括词和实体嵌入层、协同融合模块、异构门控图神经网络、增强相关注意模块和预测分数层；
9、通过所述词和实体嵌入层，对用户历史新闻和候选新闻分别进行词嵌入和实体嵌入，分别得到用户历史新闻和候选新闻的词嵌入向量序列和实体嵌入向量序列；
10、通过所述协同融合模块，将所述用户历史新闻和候选新闻的词嵌入向量序列通过cnn层和transformer层来学习局部和全局表示，获得带有语义交互信息的用户历史新闻表征；
11、通过所述异构门控图神经网络，将用户历史新闻表征按照时间相邻性形成异构用户图，采用多层ggnn对异构图进行编码，得到用户表征；
12、通过所述增强相关注意模块，将候选新闻的词嵌入向量序列和实体嵌入向量序列利用注意力机制学习候选新闻表征；通过所述预测分数层，将用户表征和新闻表征通过负采样技术获得预测得分。
13、本专利技术第二方面提供了一种基于交互式异构图神经网络的个性化新闻推荐系统。
14、一种基于交互式异构图神经网络的个性化新闻推荐系统，包括：
15、获取模块，其被配置为：获取用户历史新闻和候选新闻；
16、训练模块，其被配置为，训练交互式异构图神经网络；
17、输出模块，其被配置为：将用户历史新闻和候选新闻输入到训练的交互式异构图神经网络中，输出用户点击候选新闻的预测分数结果；
18、所述交互式异构图神经网络的结构：包括词和实体嵌入层、协同融合模块、异构门控图神经网络、增强相关注意模块和预测分数层；
19、通过所述词和实体嵌入层，对用户历史新闻和候选新闻分别进行词嵌入和实体嵌入，分别得到用户历史新闻和候选新闻的词嵌入向量序列和实体嵌入向量序列；
20、通过所述协同融合模块，将所述用户历史新闻和候选新闻的词嵌入向量序列通过cnn层和transformer层来学习局部和全局表示，获得带有语义交互信息的用户历史新闻表征；
21、通过所述异构门控图神经网络，将用户历史新闻表征按照时间相邻性形成异构用户图，采用多层ggnn对异构图进行编码，得到用户表征；
22、通过所述增强相关注意模块，将候选新闻的词嵌入向量序列和实体嵌入向量序列利用注意力机制学习候选新闻表征；通过所述预测分数层，将用户表征和新闻表征通过负采样技术获得预测得分。
23、本专利技术第三方面提供一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的一种方法中的步骤。
24、本专利技术第四方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的一种方法中的步骤。
25、本专利技术第五方面提供了一种包含指令的计算机程序产品，其在计算机上运行时，使得计算机程序被处理器执行时实现如本专利技术第一方面所述的一种方法中的步骤。
26、以上一个或多个技术方案存在以下有益效果：
27、本专利技术中设计了一种包括词和实体嵌入层、协同融合模块、异构门控图神经网络、增强相关注意模块和预测分数模块的交互式异构图神经网络；其中，协同融合模块使用亲和度矩阵来计算不同词语之间的相关权重，将用户历史新闻与候选新闻进行充分交互，最终利用语义交互信息获取用户表示，解决了单独建模忽略隐藏语义信息的问题。
28、本专利技术通过异构门控图神经网络，构建新的用户异构图，利用带gru的门控图神经网络映射不同的节点类型进行消息传递，来获取隐藏在用户图中的高阶信息，并最终利用这些高阶信息得到最终的用户表示。
29、本专利技术通过增强相关注意模块，通过聚合新闻文本表征和实体表征，从而捕捉实体关系和文本之间的语义相关性，来获取语义关联信息，通过使用多头自注意网络将两个表示统一并聚合为新闻表示，得到带有实体关系信息的最终新闻表征。
30、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于交互式异构图神经网络的个性化新闻推荐方法，其特征在于，包括：获取用户历史新闻和候选新闻；
2.如权利要求1所述的一种基于交互式异构图神经网络的个性化新闻推荐方法，其特征在于，所述对用户历史新闻和候选新闻分别进行词嵌入和实体嵌入，分别得到用户历史新闻和候选新闻的词嵌入向量序列和实体嵌入向量序列，具体为：
3.如权利要求1所述的一种基于交互式异构图神经网络的个性化新闻推荐方法，其特征在于，通过所述协同融合模块，将所述用户历史新闻和候选新闻的词嵌入向量序列通过CNN层和Transformer层来学习局部和全局表示，获得带有语义交互信息的用户历史新闻表征，具体为：
4.如权利要求1所述的一种基于交互式异构图神经网络的个性化新闻推荐方法，其特征在于，所述将用户历史新闻表征按照时间相邻性形成异构用户图，采用多层GGNN对异构图进行编码，得到用户表征，具体为：
5.如权利要求1所述的一种基于交互式异构图神经网络的个性化新闻推荐方法，其特征在于，所述将候选新闻的词嵌入向量序列和实体嵌入向量序列利用注意力机制学习新闻表征，具体为：
...【技术特征摘要】
1.一种基于交互式异构图神经网络的个性化新闻推荐方法，其特征在于，包括：获取用户历史新闻和候选新闻；
2.如权利要求1所述的一种基于交互式异构图神经网络的个性化新闻推荐方法，其特征在于，所述对用户历史新闻和候选新闻分别进行词嵌入和实体嵌入，分别得到用户历史新闻和候选新闻的词嵌入向量序列和实体嵌入向量序列，具体为：
3.如权利要求1所述的一种基于交互式异构图神经网络的个性化新闻推荐方法，其特征在于，通过所述协同融合模块，将所述用户历史新闻和候选新闻的词嵌入向量序列通过cnn层和transformer层来学习局部和全局表示，获得带有语义交互信息的用户历史新闻表征，具体为：
4.如权利要求1所述的一种基于交互式异构图神经网络的个性化新闻推荐方法，其特征在于，所述将用户历史新闻表征按照时间相邻性形成异构用户图，采用多层ggnn对异构图进行编码，得到用户表征，具体为：
5.如权利要求1所述的一种基于交互式异构图神经网络的个性...
【专利技术属性】
技术研发人员：刘嵩，石成龙，孔赞，耿海彬，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。