(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 202211366757.3 (22)申请日 2022.11.03 (71)申请人 中国传媒大 学 地址 100024 北京市朝阳区定福庄东 街1号 (72)发明人 李传珍　蒋昊　蔡娟娟　王京玲　 王晖　 (74)专利代理 机构 北京鸿元知识产权代理有限 公司 11327 专利代理师 袁文婷　张娓娓 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/36(2019.01) G06F 16/33(2019.01) (54)发明名称 基于新闻异构网络的关系感知新闻推荐方 法、 系统、 设备 (57)摘要 本发明提供一种基于新闻异构网络的关系 感知新闻推荐方法、 系统、 设备， 其中方法首先构 建新闻异构网络 （各个目标新闻所共同形成的目 标新闻异构网络的集合） ， 基于显式关系和隐式 关系， 使得该新闻异构网络包含 所有用户点击新 闻和用户候选新闻节点， 并融入了异构的多视图 新闻信息节点和外部知识节点丰富新闻网络表 示， 同时利用异构节点分别构建显式连接和隐式 连接两种新闻关系， 而后基于所提出的新闻异构 网络和用户历史行为分别获取细粒度新闻理解 表征和用户兴趣表征， 如此达成适合用户的新闻 推荐， 相较于现有技术能够缓解新闻冷启动问 题， 增强用户兴趣的可解释性和准确性， 最终从 逻辑上提高新闻推荐的准确性。 权利要求书3页 说明书17页 附图4页 CN 115422470 A 2022.12.02 CN 115422470 A 1.一种基于新闻异构网络的关系感知新闻推荐方法， 其特 征在于， 包括： 基于所获取的目标新闻在预设的原新闻异构网络中创建目标新闻节点， 获取所述目标 新闻的新闻实体， 在预先获取 的知识图谱集合中获取与所述新闻实体相关的邻居实体， 并 获取所述新闻实体和所述邻居实体的实体嵌入表征， 基于所述嵌入表征在所述原新闻异构 网络中查找与所述目标新闻具有相同实体嵌入表征的其他新闻以形成显式关系； 对所述目 标新闻进 行信息提取以获取所述目标新闻的多元信息， 根据所述多元信息进 行表征学习以 获取隐式信息， 并在所述原 新闻异构网络中查找与所述目标新闻具有相同隐式信息的其他 新闻以形成隐式关系； 基于所述显 式关系连接所述目标新闻节点和所述其他新闻的其他节点， 基于所述隐式 关系连接所述目标新闻节点与所述 其他新闻的其 他节点， 以形成目标新闻异构网络； 通过预设的细粒度新闻理解学习模块根据所述目标新闻异构网络进行理解学习以获 取细粒度新闻理解表征； 通过预设的可解释用户兴趣提取模块根据所述目标新闻异构网络 进行理解学习以获取用户兴趣表征； 通过预设的归一化函数对所述细粒度新闻理解表征和所述用户兴趣表征进行归一化 计算以获取兴趣概 率； 对同时期所获取的各个目标新闻的兴趣概率自大到小排列， 选取前预设数量个兴趣概 率作为大推荐概 率， 并将与所述大推荐概 率相对应的目标新闻作为推荐新闻。 2.如权利要求1所述的基于新闻异构网络的关系感知新闻推荐方法， 其特 征在于， 所述获取所述目标新闻的新闻实体， 在预先获取的知识图谱集合中获取与 所述新闻实 体相关的邻居实体， 并获取所述新闻实体和所述邻居实体的实体嵌入表征， 基于所述嵌入 表征在所述原新闻异构网络中查找与所述目标新闻具有相同实体嵌入表征的其他新闻以 形成显式关系， 包括： 在所述目标新闻的新闻文本内容和新闻标题内容中提取实体信息作为所述目标新闻 的新闻实体； 在预获取的知识图谱集 合中获取与所述 新闻实体相关的实体信息作为邻居实体； 利用TransE技 术获取所述新闻实体和所述邻居实体的嵌入表征实体嵌入表征； 基于所述嵌入表征在所述原新闻异构网络中查找与所述目标新闻具有相同实体嵌入 表征的其 他新闻以形成显式关系； 所述基于所述显式关系连接所述目标新闻节点和所述 其他新闻的其 他节点， 包括： 基于所述显 式关系， 利用预设的聚合函数汇总各个实体嵌入表征以获取知识层面的新 闻连接向量； 其中所述 新闻连接向量连接具有同一知识实体的两个新闻节点； 将所述新闻连接向量映射至实体空间中以获取知识级连接向量， 并基于所述知识级连 接向量连接所述目标新闻和与所述目标新闻具有相同实体的其 他新闻对应的其 他节点。 3.如权利要求1所述的基于新闻异构网络的关系感知新闻推荐方法， 其特 征在于， 所述多元信 息至少包括所述目标新闻的新闻标题、 新闻实体、 新闻主题和新闻副主题； 所述新闻网络节点至少包括新闻标题节点、 新闻实体节点、 新闻主题节点和 新闻副主题节 点。 4.如权利要求3所述的基于新闻异构网络的关系感知新闻推荐方法， 其特征在于， 所述 根据所述多元信息进行表征 学习以获取隐式信息， 包括：权　利　要　求　书 1/3 页 2 CN 115422470 A 2根据所述新闻标题进行标题类表征学习以获取标题节点表征， 根据所述新闻实体进行 实体类表征学习以获取实体节点表征， 根据所述新闻主题和新闻副主题进 行主题类和 副主 题类表征 学习以获取主题 节点表征和副主题 节点表征； 将所述标题节点表征、 所述实体节点表征、 所述主题节点表征、 所述副主题节点表征作 为隐式信息 。 5.如权利要求 4所述的基于新闻异构网络的关系感知新闻推荐方法， 其特 征在于， 所述根据所述 新闻标题进行 标题类表征 学习以获取 标题节点表征， 包括： 通过预设的单词嵌入模型构造关于所述新闻标题的标题嵌入矩阵； 其中， 所述新闻标 题由单词构建而成； 通过预设的全连接层基于所述标题嵌入矩阵的构建值向量和询问向量计算所述新闻 标题中的各个单词的交互注意力权重， 并基于所述各个单词的交互注意力权重获取各个单 词的单词表征矩阵； 基于所述单词的交互注意力权重和所述各个单词的单词表征矩阵进行聚合处理以获 取所述新闻标题的标题 节点表征。 6.如权利要求5所述的基于新闻异构网络的关系感知新闻推荐方法， 其特征在于， 所述 通过预设的细粒度新闻理解学习模块根据所述目标新闻异构网络进行理解学习以获取细 粒度新闻理解表征， 包括： 将所述目标新闻异构网络输入所述细粒度新闻理解学习模块中以使所述细粒度新闻 理解学习模块对所述 目标新闻异构网络进行理解学习以获取细粒度新闻理解表征； 其中， 进行理解学习以获取细粒度新闻理解表征的过程， 包括： 通过所述细粒度新闻理解学习模块中的关系通道注意力机制获取所述目标新闻异构 网络的关系通道图注意力权重， 通过所述细粒度新闻理解学习模块中的语义通道注意力机 制获取所述目标新闻异构网络的语义感知新闻理解向量； 通过所述细粒度新闻理解学习模块中的双通道聚合器对所述关系通道图注意力权重 和所述语义感知新闻理解向量进行聚合处 理以获取细粒度新闻理解表征。 7.如权利要求6所述的基于新闻异构网络的关系感知新闻推荐方法， 其特征在于， 所述 通过预设的可解释用户兴趣提取模块根据所述目标新闻异构网络进行理解学习以获取用 户兴趣表征， 包括： 通过所述可解释用户兴趣提取模块中的兴趣表征提取单元根据所述目标新闻异构网 络提取用户点击新闻关系表征矩阵和用户点击新闻语义表征矩阵； 将所述用户点击新闻关系表征矩阵作为协同信号， 将所述用户点击新闻语义表征矩阵 作为语义信号共同输入至所述可解释用户兴趣提取模块中的多头 自我注意力机制中 以获 取关系级多重信息和语义级多重信息， 并基于所述关系级多重信息和语义级多重信息获取 关系级用户兴趣表征和语义级用户兴趣表征； 通过所述可解释用户兴趣提取模块中的双通道聚合器对所述关系级用户兴趣表征和 所述语义级用户兴趣表征进行聚合处 理以获取用户兴趣表征。 8.一种基于新闻异构网络的关系感知新闻推荐系统， 实现如权利要求1 ‑7任一所述的 基于新闻异构网络的关系感知新闻推荐方法， 包括 新闻推荐模型， 所述 新闻推荐模型包括： 新闻异构网络构建模块， 用于基于所获取的目标新闻在预设的原新闻异构网络 中创建权　利　要　求　书 2/3 页 3 CN 115422470 A 3