CN120105126B 一种多视图知识图谱驱动的产业链协同推 荐方法 （浙江理工大学）

(19)国家知识产权局(12)发明专利(10)授权公告号CN120105126B(65)同一申请的已公布的文献号(73)专利权人浙江理工大学地址310018浙江省杭州市钱塘区2号大街928号(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240一种多视图知识图谱驱动的产业链协同推荐方法本发明涉及一种多视图知识图谱驱动的产业链协同推荐方法，包括下述步骤：通过多源异构数据构建多个业务维度的知识图谱视图，进行特征分解与自适应特征调控；提出融合业务语境的多头知识传播机制，结合多视图表示进行层次化卷积聚合和动态路径选择；通过小波变换与多尺度时序分解，结合自适应尺度选择机制与行业特性驱动的注意力机制构建业务实体的动态表示；使用门控网络融合静态与动态特征，构建基于综合表示的多方匹配评分机制，支持产业链中多方业务协同与推荐。本发明通过融合多视图知识图谱构建、动态业务实体建模和对比学习技础。2S2.提出融合业务语境的多头知识传播机制，结合多视图表示进行层次化卷积聚合和S3.通过小波变换与多尺度时序分解，结合自适应尺度选择机制与行业特性驱动的注S4.使用门控网络融合静态与动态特征，构建基于综合表S2.4、通过计算节点在相邻卷积层表示间的变化量△(v;)=|n(V)-h(v,1-1)3对于每个业务实体ei,各视图下的表示为,利用注意力机制为不同526构建一致性损失函,其中，sim(,)为2.根据权利要求1所述多视图知识图谱驱动的产业链协同推荐方法，其特征在于步骤Xd多维分解，提取关键子特征，其中RlE×d表示这个矩阵属于实数域中的一个维度为|E|×d的矩阵空间；|E|表示实体集合的大小；d表示每个实体的特征维度数；针对其中rj,k=corr(E:,k,y),E.,k表示所有实体在第k个特征维度上的取值；表示所4Wij=σ(η·conf(ei,ej)+β·sim(对每条边基于Pij通过伯努利分布进行独立采样后生成子图；重复采样过程生成多个S1.4、基于各视图特定的实体特征矩阵E(V)和对应的邻接矩阵A(V),构建多层图卷积5Z(V)=Hv,L)。3.根据权利要求2所述多视图知识图谱驱动的产业链协同推荐方法，其特征在于：步骤争和需求-供应；步骤S1.2中，所述关键子特征包括业务需求、资源能力和市场地位；步骤S1.3中，初始值η=0.6,β=0.4;步骤S1.4中，初始值γ=0.1,δ=0.2。4.根据权利要求1所述多视图知识图谱驱动的产业链协同推荐方法，其特征在于步骤S3具体为：S3.1、在业务实体动态行为建模中，针对每个业务实体ei收集其时间序列行为数据，表示业务实体在每个时间点的行为嵌入向量bi,t的维度大小；基于行业分类、企业规模、地理位置在内的信息，引入行业特性嵌入Ci∈Rac,dc表示行业特性嵌入Ci的维度大小；S3.2、对行为序列{bi;,1bi,2…,b;,7}的每个维度分别应用离散小波变换，生成低频分 ;生成高频分量H§∈RT×d6,其中s=1,2,….,S,表示分解层级；S3.3、将各尺度隐藏状态集合输入多头注意力网络MHA,以行业特性嵌入Ci作为查询向量，引导模型关注与行业特性最相关的时序分量；通过归一化指数函数归一化计算权重β),加权融合得到综合时序表示S3.4、采用行业特性驱动的多头注意力机制：首先将综合时序表示hscqle∈R×dh与行业特性嵌入ci∈R“-进行组合，计算注意力权重,随后，引入值映射矩阵Wm∈Rds×dh,,将加权后的多尺度表示进行线性投影，并汇总所有注意力头在所有时间步的输出，从而获得业务实体在当前时刻的短期动态综合表示Si∈Rs,计算方式如下：M为注意力头数量，ds为动态表示的维度；S3.5、将相邻时刻t与t+1的表示视为正样本对,构建行为连续性的正向引导，为基于时间步特定的多尺度隐藏状态；同时，将当前时刻与竞争实体的表示与实体e镜争的实体集合；其时间损失函数Ltime为：66.根据权利要求4所述多视图知识图谱驱动的产业链协同推荐方法，其特征在于步骤其中，h来源于多视图知识图谱与卷积传播；S则通过时序数据和注意力机制捕捉企业的其中⊙表示逐元素乘法；7S4.2、构建基于综合表示的多方匹配评分机制；对于任意两家具有潜在业务协同效应的企业e与ej,分别计算其融合后的综合表示Zi与Zj,并构造匹配评分Sij:其中，σ(·)为Sigmoid激活函数，用于将输出归一化至[0,1]区间；f(·)表示多层感知机函数，形式如下：S4.3、对于目标企业ei,从候选企业集合N中选择一组企业，具体实现方式如下：基于两两匹配评分Sij,使用注意力机制量化目标企业ei与候选企业ej之间的交互重要性，通过指数归一化操作计算注意力权重：在获得注意力权重αij后，进一步利用这些权重对候选企业集合中各企业的综合表示Z进行加权聚合，生成目标企业的上下文表示context.其中，context反映了目标企业ei与候选企业集合的整体交互关系；结合目标企业的综合表示Zi和上下文表示,计算其最终的业务推荐得分：Si=σ(WcLzi|context)8一种多视图知识图谱驱动的产业链协同推荐方法技术领域[0001]本发明属于人工智能技术领域，具体涉及一种多视图知识图谱驱动的产业链协同推荐方法。背景技术[0002]在产业链日益复杂和动态化的时代，企业之间需要通过协同来完成客户提出的复杂业务需求。但由于中小企业群体业务类型多样，在寻找协同伙伴时面临信息流通不畅、交易效率低以及制造能力匹配不足等问题，阻碍了产业链企业之间的高效业务匹配和协作。为了提高区域产业链的整体运营效率，构建精准且动态的企业业务推荐方法已成为产业链优化配置的关键。通过分析企业间的业务关联和资源特征，推荐系统能够为企业提供精准的业务匹配建议，从而提升产业链整体运营效率。[0003]近年来，知识图谱因其在缓解数据稀疏性、提升推荐精度方面的独特优势，广泛应用于推荐系统领域。知识图谱通过构建实体及其关系的三元组异构语义结构，能够有效挖掘企业与业务实体之间的潜在关联。[0004]然而，现有方法多倾向于对企业数据的整体结构进行统一建模，虽然初步实现了实体间关系的表示，但易受数据噪声、错误特征及弱相关特征的干扰，导致企业特征表达的精准性不足。知识图谱中包含大量多类型、多关系的异构节点，业务实体在不同视角下表现出的多维特征难以被传统方法充分捕获，使得实体表示在业务感知能力和结构表达能力上均存在局限。此外，企业业务行为特征往往随时间呈现动态变化，短期行为趋势对当前业务匹配决策具有重要影响。现有推荐方法多聚焦于长期稳定的静态特征，忽视了短期动态行为信息，未能实现静态与动态特征的有效融合，导致推荐结果在时效性和适应性上难以满足产业链快速变化的实际需求。发明内容[0005]本发明的目的在于提供一种多视图知识图谱驱动的产业链协同推荐方法，旨在解决现有技术在产业链企业业务推荐中面临的精准性不足、时效性差及动态适应性弱等问题。通过融合多视图知识图谱构建、动态业务实体建模和对比学习技术，揭示企业业务之间的关联性，为相关企业生成业务推荐，为产业链中的业务资源配置打下基础。[0007]一种多视图知识图谱驱动的产业链协同推荐方法，包括下述步骤：[0008]S1.通过多源异构数据构建多个业务维度的知识图谱视图，进行特征分解与自适应特征调控；[0009]S2.提出融合业务语境的多头知识传播机制，结合多视图表示进行层次化卷积聚合和动态路径选择；[0010]S3.通过小波变换与多尺度时序分解，结合自适应尺度选择机制与行业特性驱动的注意力机制构建业务实体的动态表示；9[0011]S4.使用门控网络融合静态与动态特征，构建基于综合表示的多方匹配评分机进行多维分解，提取关键子特征，其中Rl&×d表示这个矩阵属于实数维度数；针对每个视图V,计算第j个企业节点的第k个特征与业务匹配指标的相关性Yj,k,[0017]其中rj,k=corr(E:k,y)E,k表示所有实体在第k个特征维度上的取值；“:”表示在视图U下，第j个企业节点的第k个特征被保留，Wij=σ(η·conf(e;,ej)+β·sim(函数σ(·)将权重归一化到区间[0,1],;x为边权重的前激活值；表示[0025]各视图的邻接矩阵AY)定义为：[0032]经过L层改进图卷积传播后，得到第1个视图的实体节点嵌入表示Z(V):能力和市场地位；步骤S1.3中，初始值η=0.6,β=0.4;步骤S1.4中，初始值[0038]其中，We为第k个注意力头的线性变换矩阵，用于将实体嵌入ZY映射到统一的机网络(MLP)对实体对及其业务关系进行融合建模，输出语义向量由查询向量9k进行加权贡献；[0041]其中，N(i)表示实体ei的邻居节点集合，Wk是第k个注意力头中的变换矩阵，[0042]S2.3、基于上述生成的视图的实体节点嵌入表示Z(V),通过层次化卷积聚合和动[0043]针对节点初始表示,通过多层卷积传播得到各层表示h(;L),并在进行优化；b为注意力机制中的偏置项，W为注意力机制中的可训练查询向量；得到业务实体的长期静态嵌入表示hi:表示间的相似度，最小化其与其他实体表示之间的距离，构建一致性损失函数[0054]S3.1、在业务实体动态行为[0056]对行为序列{bi,1,bi,2…,b;,T}的每个维度分别应用离散小波变换，生成低频分量[0058]将各尺度隐藏状态集合Hi={h(4),h(1)…,h)}输入多头注意力网络以[0060]首先将综合时序表示hscaleERT×dh与行业特性嵌入Ci∈Rc进行组合，[0068]将行业相似实体作为正样本,其中k∈Pi表示与实体e属体作为负样本，从而促使模型能够有效拉开不同行业实体在表示空间中的分布，即,其中l∈N表示与实体ei属于不同行业的实体集合；函数，将输出值归一化到[0,1]区间；示Zi:[0086]f(·)=W₂ReLU(W₁Lzi|Z|(Zi[0089]对于目标企业ei,从候选企业集合N中选择一组企业，使整体业务匹配效果最[0090]基于两两匹配评分Sij,使用注意力机制量化目标企业ei与候选企业ej之间的交[0093]其中，反映了目标企业ei与候选企业集合的整体交互关系；[0094]结合目标企业的综合表示Zi和上下文表示,计算其最终的业务推荐得分：[0096]采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：[0097]1.本发明通过针对不同业务维度构建多个知识图谱视图，并结合领域特征分解、自适应特征调控和边权重采样策略，有效抑制了数据噪声和弱相关特征的干扰；相比传统知识图谱构建方法，本发明能够更精确地刻画企业多维属性，提升图谱的表达能力，从而显著提升业务匹配的准确性和鲁棒性。[0098]2.本发明引入了融合业务语境的多头知识传播机制，通过在实体间传播过程中捕捉丰富的业务上下文信息，结合层次化卷积聚合和动态路径选择机制，进一步优化了实体表示的深度和精度；与现有技术中较为单一的图嵌入方法相比，本发明能够生成更贴合实际业务场景的实体表示，提升了业务实体的结构表达能力和业务感知能力。[0099]3.针对业务实体行为随时间演变的特点，本发明提出了动态业务实体建模框架，通过小波变换驱动的多尺度时序分解和自适应尺度选择机制，提取并融合业务实体的长期趋势与短期波动特征；此外，结合行业特性驱动的注意力机制，突出了与行业背景相关的关键动态行为；相较于现有方法，本发明显著提升了动态建模的灵活性和准确性，为业务推荐提供了时效性强、适应性广的决策依据。[0100]4.本发明设计了可学习的门控网络，自适应调节静态特征和动态特征的融合比例，并结合跨时间与跨实体的对比学习框架，增强了模型对业务实体行为演化和行业特性的理解能力；与现有技术中简单的特征拼接或固定权重融合方法相比，本发明生成的综合表示具有更高的判别力和鲁棒性，能够更全面地反映企业的业务状态。附图说明[0101]图1为多视图知识图谱驱动的产业链协同推荐方法流程图；[0102]图2为本模型性能箱线图。具体实施方式[0103]为进一步了解本发明的内容，结合实施例对本发明作详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。[0104]参照图1,一种多视图知识图谱驱动的产业链协同推荐方法，包括如下步骤：[0105]S1.通过多源异构数据构建多个业务维度的知识图谱视图，进行特征分解与自适应特征调控，实现实体嵌入表示学习(多视图知识图谱构建),具体步骤为：业节点的特征表达更为清晰，其中RlEI×d表示这个矩阵属于实数域中的一个维度为[0112]其中表示在视图U下，第j个企业节点的第k个特征被保留，[0124]其中,A)=A()+I,DY=∑,AY,其中I是单位矩阵；为[0125]经过L层改进图卷积传播后，得到第V个视图的实体节点嵌入表示：[0130]其中，We为第k个注意力头的线性变换矩阵，用于将实体嵌入Z(Y)映射到统一的机网络(MLP)对实体对及其业务关系进行融合建模，输出语义向量由查询向量9k进行加权评分，并通过softmax构造归一化注意力权重a(贡献；[0131]We主要服务于注意力计算前的特征映射，突出业务上下文和节点间的关系信[0134]其中，N(i)表示实体ei的邻居节点集合，Wk是第k个注意力头中的变换矩阵，性。[0138]针对节点初始表示h(V0)=ZY),通过多层卷积传播得到各层表示h(V;L),并在进行优化；判断当前节点特征是否已趋于稳定，当△(v;1)<e时认为第i个节点的特征已趋于稳定，[0144]对于每个业务实体ei,各视图下的表示为h4)h(2),….h(Y),利用注意力机制为能力与鲁棒性。[0153]对行为序列{bi;,1,bi;2…,b;,T}的每个维度分别应用DWT,生成低频分量H§)∈R×db(s=新);H9)=Low;为每个分量设计独立的时序卷积网络(TCN)模型进行特征提取：;[0157]将各尺度隐藏状态集合H={h(4,h1)…,h}输入多头注意力网络(Multi-通过softmax归一化计算权重βS),加权融合得到综合时序表示hscqle=2s=oB9)·n)∈R[0160]首先将综合时序表示hscale∈R[0162]在初始实现中，设定注意力头数量M为4,以平衡计算复杂度和对不同时间特征[0164]在时间维度上，为建模单一业务实体在不同时刻之间的行为连续性与演化特征，本发明引入跨时间对比学习机制。将相邻时刻(t与t+1)的表示视为正样本对 较大的实体作为负样本，从而促使模型能够有效拉开不同行业实体在表示空间中的分布，[0171]S4.使用门控网络融合静态与动态特征，构建基于综合表示的多方匹配评分机[0172]S4.1、本发明结合长期稳定的静态表示h;∈Rd与反映近期行为的动态表示Si∈Rs,以提升模型对业务实体的全面建模能业的动态行为响应；征的融合比例：[0175]其中Wh∈Rd×d和Ws∈Rd×d为投影参数矩阵，Wh主要用于对静态特征h;进行投影，Ws则用于对动态特征Si进行投影；b∈Rd为偏置项；sigmoid(·)为激活函数，将输出值归一化到[0,1]区间；综合表示的多方匹配评分机制。对于任意两家具有潜在业务协同效应的企业ei与ej,分别[0183]f(·)=W₂ReLU(W₁LzilZ;|(Zi[0186]对于目标企业ei,从候选企业集合N中选择一组企业，使整体业务匹配效果最[0187]基于两两匹配评分Sij,使用注意力机制量化目标企业ei与候选企业ej之间的交[0189]在获得注意力权重Cij后，进一步利用这些权重对候选企业集合中各企业的综合[0195]为验证所提方法的有效性，本发明使用了某区域制造产业联盟提供的2018年至一致性和公平性，按时间顺序提取每个企业80%的交互历史记录作为训练集，其余20%类别制造商交互记录实验参数设置实验是在配备以下硬件的计算机上完成的：操作系统为Ubuntu22.04,搭载了Intel(R)Xeon(R)Platinum8488C*2和NVIDIARTXA6000*4图形处理器，内存容量为256GB。整个实验采用Adam优化器，学习率为0.001,批量大小为128,训练100个历元(采用早停策略)。多视图知识图谱构建模块中，原始特征维度设为256;边权重参数η和β分别设置为0.6和0.4;GCN模块采用3层结构，Y=0.1,δ=0.2.业务实体建模模块采用4头多头注意力(映射矩阵维度均为256),跨视图融合中中间映射层维度为128,对比学习温度参数T=0.5.动态业务实体建模模块中，行为嵌入维度为128,行业嵌入维度为64;利用离散小波变换进行分解(高频层级S=2),TCN采用2层卷积(卷积核大小为3),多头注意力模块输出维度为256。特征融合与模型预测模块中，静态与动态特征均为256维，通过门控网络(矩阵尺寸256×256)自适应融合。[0200]评估指标[0201]为了全面分析本发明模型的推荐性能，采用召回率(Recall@K)和归一化累计收益映了模型的召回能力。NDCG@K考虑了相关业务在推荐列表中的排名，并评估了推荐的排名标的取值范围介于0和1之间，取值越高表示推荐性能越好。[0202]对比实验[0203]为了证明本发明方法(模型)的有效性，实验中选择了几个前沿的方法(模型)与本方法进行效果对比，现有方法包括：贝叶斯性化排序矩阵分解(BPR-MF):通过使用贝叶斯个性化排序(BPR)损失进行优化，增强了隐式反馈的成对矩阵因式分解，从而有效地学习企业与业务之间的隐式交互。轻量级图卷积网路(LightGCN):一种轻量级图神经网络，它简化了滤模型(NGCF):基于图的框架，将协同过滤信号纳入消息传递，捕捉用户和项目之间的高阶连接性。知识图注意力网络(KGAT):引入注意力机制，学习知识图谱中的高阶依赖关系，增强对用户和项目的表征。基于知识图谱的意图学习框架(KGIN):基于GNN的模型，可捕捉知识图谱中的关系结构，利用辅助语义信号对用户偏好进行建模。基于知识增强的图对比学习(KGCL):利用对比学习来完善知识图谱表示，减少噪音并解决长尾项目难题。物品特定图注意力网络(IGAT):结合交互和知识图谱信息，通过知识感知和项目特定注意力机制捕捉高阶邻居信息，提升推荐性能。多视角知识图卷积网络(MKGCN):通过构建多视图、引入初始残差连接和图自注意力机制，缓解噪声干扰和过平滑问题，提升推荐性能。识感知细粒度注意力网络(KFGAN):提出知识感知细粒度注意力网络框架，通过捕捉高阶协作信号和精炼知识图谱嵌入，提升个性化推荐性能。[0204]实验结果[0205]表2展示了本发明模型(以下简称本模型)与各基线模型在产业链多维数据集上的实验结果：模型本模型[0208]从表2可以看出，在所有评估指标上，本模型均优于对比方法，充分验证了本发明在多视图知识图谱构建、业务实体多头融合、动态时序建模以及特征自适应融合等方面的创新设计。[0209]与其他方法相比，基于传统图协同过滤的模型如LightGCN和NGCF,虽然在局部结构捕捉上表现不俗，但它们未能有效融合企业多维特征与时序信息。本发明中，通过构建多视图知识图谱，从而精准提取企业静态特征；而传统模型在这方面的欠缺使得其在务中无法充分捕捉企业长期需求。[0210]模型如KGAT和KGIN通过图关注机制和关系感知信息传播提升了多维行为的表达能力，但它们主要侧重静态知识图谱信息，未能结合业务语境和动态时序特征进行深入建模。相较之下，本模型有效整合了企业背景与业务关系，使得模型在捕捉企业复杂行为方面更具优势