(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 202210947035.0 (22)申请日 2022.08.09 (71)申请人 舟山广播电视总台 地址 316021 浙江省舟山市定海区临城街 道长升路30号 (72)发明人 江立宇　刘飞　尤浩东　 (74)专利代理 机构 北京麦汇智云知识产权代理 有限公司 1 1754 专利代理师 周雪峰 (51)Int.Cl. G06F 16/9536(2019.01) G06Q 30/06(2012.01) G06F 16/26(2019.01) G06F 16/36(2019.01) G06F 40/216(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于用户画像和知识图谱的广电技术知识 推荐方法 (57)摘要 本发明提出了一种基于用户画像和知识图 谱的广电技术知识推荐 方法， 涉及智慧广电技术 领域。 一方面从多维度构建了一套广电技术知识 用户画像， 并结合协同过滤算法计算出用户间的 相似度， 从而基于相似用户的喜爱项目预测出该 用户感兴趣的项目； 另一方面， 构建了一个基于 知识图谱的推荐模型， 通过 “偏好扩散 ”自发挖掘 用户的潜在偏好， 并将知识图谱 特征学习融入到 基于循环神经网络的推荐模型中， 获取更深层次 的用户偏好， 从而预测出该用户感兴趣的项目。 最终， 将通过两种方式获得的感兴趣项目按评分 进行排序， 并提取前若干个项目推送给用户。 通 过结合知识图谱和用户图像两种方式， 能够有效 提升广电知识智库推荐的智能化水平， 使得推荐 结果更加准确。 权利要求书2页 说明书8页 附图2页 CN 115168744 A 2022.10.11 CN 115168744 A 1.一种基于用户画像和知识图谱的广电技 术知识推荐方法， 其特 征在于， 包括： 获取用户的基本属性信息和行为特征信息， 并对信息进行量化和融合重构， 形成用户 特征向量； 基于用户特征向量， 利用协同过滤算法计算得到用户之间的相似度结果， 并根据相似 度结果进行协同推荐， 得到第一推荐邻近集； 获取用户的历史偏好数据， 并根据历史偏好数据在预先构建的广电领域的知识图谱中 进行扩散传播， 得到用户的整体扩散偏好 集； 将整体扩散偏好集中的用户偏好向量输入预设的RNN推荐模型中进行预测， 得到第二 推荐邻近集； 基于所述第 一推荐邻 近集和第 二推荐邻 近集融合得到最终的推荐集， 并将推荐集中的 结果推送给用户。 2.如权利要求1所述的一种基于用户画像和知识图谱的广电技术知识推荐方法， 其特 征在于， 所述 获取用户的基本属性信息和行为特征信息， 并对信息进 行量化和融合重构， 形 成用户特 征向量的步骤 包括： 利用one‑hot编码方式对用户的基本属性信息进行编码， 得到用户基本属性向量； 利用TF‑IDF算法对用户的行为特征信息进行关键词提取， 并将关键词转换成向量形 式， 得到用户行为向量； 基于所述用户基本属性向量和用户行为向量， 形成用户特 征向量。 3.如权利要求2所述的一种基于用户画像和知识图谱的广电技术知识推荐方法， 其特 征在于， 所述基于用户特征向量， 利用协同过滤算法计算得到用户之 间的相似度结果， 并根 据相似度结果进行协同推荐， 得到第一推荐邻近集的步骤 包括： 根据所述用户基本属性向量和用户行为向量， 利用余弦相似度算法分别计算得到用户 之间的属性相似度和行为相似度； 将属性相似度和行为相似度按照融合公式进行融合， 得到用户之间的相似度结果， 以 匹配得到该用户对应的相似用户； 获取相似用户对应的广电内容项目表并推荐给 该用户， 形成第一推荐邻近集。 4.如权利要求3所述的一种基于用户画像和知识图谱的广电技术知识推荐方法， 其特 征在于， 所述融合公式为： 其中， SIM(p， q)表示用户p和用户q之间的相似度 结果， SIMuser(p， q)表示用户之间的属 性相似度， SIMtech(p， q)表示用户之间的行为相似度， x为权值系数， 表示用户之间的相同属 性数量与用户基本属性向量维度之间的比值。 5.如权利要求1所述的一种基于用户画像和知识图谱的广电技术知识推荐方法， 其特 征在于， 还 包括： 获取广电领域知识数据， 并通过信 息抽取得到实体信息、 关系信 息和实体的属性信 息， 形成知识的三元组； 基于知识的三元组， 利用TransE算法进行特征学习， 得到实体和关系向量， 形成广电领 域的知识图谱。权　利　要　求　书 1/2 页 2 CN 115168744 A 26.如权利要求1所述的一种基于用户画像和知识图谱的广电技术知识推荐方法， 其特 征在于， 所述根据历史偏好数据在预先构建的广电领域的知识图谱中进行扩散传播， 得到 用户的整体扩散偏好 集的步骤 包括： 遍历用户的历史偏好， 组合形成用户的历史偏好 集； 以历史偏好集中的每个实体节点为起始点， 通过知识图谱连接到该实体对应的关联实 体， 并统计形成第一层扩散偏好 集； 以第一层扩散偏好集中的每个实体节点为起始点， 通过知识图谱连接到该实体对应的 关联实体， 并统计形成第二层扩散偏好 集； 将历史偏好集、 第一层扩散偏好集和第二层扩散偏好集进行融合， 得到用户的整体扩 散偏好集。 7.如权利要求1所述的一种基于用户画像和知识图谱的广电技术知识推荐方法， 其特 征在于， 所述RNN推荐模型采用基于物品的注意力机制， 根据用户扩散偏好集的层次关系， 对输入的不同部 分进行线性组合， 构成用户的偏好特征表示， 以预测用户的偏好项目， 并通 过最小化真实值和预测值间的交叉熵损失来训练模型。 8.如权利要求1所述的一种基于用户画像和知识图谱的广电技术知识推荐方法， 其特 征在于， 所述基于所述第一推荐邻近集和第二推荐邻近集融合得到最终的推荐集， 并将推 荐集中的结果推送给用户的步骤 包括： 分别将所述第一推荐邻近集和第二推荐邻近集中的推荐结果按评分进行排序； 从第一推荐邻近集和第二推荐邻近集中抽取 前若干个 推荐结果， 形成推送列表； 对推送列表中的推荐结果进行筛除、 清洗后， 将推荐结果推送给用户。 9.一种电子设备， 其特 征在于， 包括： 存储器， 用于存 储一个或多个程序； 处理器； 当所述一个或多个程序被所述处理器执行时， 实现如权利要求1 ‑8中任一项所述的方 法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该计算机程序被 处理器执行时实现如权利要求1 ‑8中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115168744 A 3