基于双线性感知图神经网络模型的视听推荐系统、方法与流程

1.本发明涉及媒体推荐技术领域，更为具体地，涉及一种基于双线性感知图神经网络模型的视听推荐系统。


背景技术：

2.随着互联网的发展，信息大爆炸时代的到来，人们完成了从信息匮乏到信息过载的过渡。个性化推荐系统的出现缓解了信息过载的压力，帮助用户从海量的数据中获得真正对自身有帮助的信息。因此，可以将能够作为辅助信息使用的知识图谱引入推荐系统，以有效缓解协同过滤算法遭受的数据稀疏性和冷启动问题，提高推荐效果，故可以使用图神经网络技术从中捕获和学习各种复杂关系。
3.基于知识图谱的推荐算法分为三大类：基于嵌入的方法、基于路径的方法和基于邻域的方法。基于邻域的推荐算法通常基于图神经网络，目前，基于图神经网络的推荐算法通常使用 gnn 线性采集器的方式来实现邻居信息的传播和聚合，即通过将节点的邻居信息以线性的方式叠加到自身信息上，并多次迭代执行上述操作，这种方式虽然可以提取图数据的特征，捕捉特征之间的高阶连通性，但是却忽略了相邻两个节点之间的特征交互信息；除此之外，文本型数据（如iptv电影节目标题和节目简介等）在推荐算法中的利用程度也普遍不高，致使目前的推荐系统缺少关于文本类信息的比重，而文本型数据包含丰富的信息，且对用户使用时的偏好影响较大，因而目前的推荐方法推荐精度低，适应性较差。
4.因此，亟需一种在项目属性之间进行特征交互，提高推荐依据的全面性，并且，在信息采集阶段获取节点间的特征交互信息，丰富节点表示，引入项目文本数据以提高推荐精度的基于双线性感知图神经网络模型的视听推荐系统、方法。


技术实现要素：

5.鉴于上述问题，本发明的目的是提供一种基于双线性感知图神经网络模型的视听推荐系统，以解决现有技术中，基于图神经网络的推荐算法通常使用 gnn 线性采集器的方式来实现邻居信息的传播和聚合，即通过将节点的邻居信息以线性的方式叠加到自身信息上，并多次迭代执行上述操作，这种方式虽然可以提取图数据的特征，捕捉特征之间的高阶连通性，但是却忽略了相邻两个节点之间的特征交互信息；除此之外，文本型数据（如iptv电影节目标题和节目简介等）在推荐算法中的利用程度也普遍不高，致使目前的推荐系统缺少关于文本类信息的比重，而文本型数据包含丰富的信息，且对用户使用时的偏好影响较大，因而目前的推荐方法推荐精度低，适应性较差的问题。
6.本发明提供的一种基于双线性感知图神经网络模型的视听推荐系统，包括用于获取节目知识向量的节目知识表示模块、用于获取节目文本向量的节目文本表示模块和用于基于所述节目知识向量与所述节目文本向量获取推荐数据的预测模块；其中，所述节目知识表示模块包括嵌入层和信息传播层；其中，所述嵌入层用于根据所接收的知识图谱获取关于所述知识图谱的嵌入向量；所述信息传播层包括线性采集器、双
线性采集器和信息融合层；其中，所述线性采集器用于根据所述嵌入向量获取高阶连通信息；所述双线性采集器用于根据所述嵌入向量获取二阶特征交互信息；所述信息融合层用于对所述高阶连通信息、所述二阶特征交互信息和预获取的其他数据信息进行融合处理以形成节目知识向量；所述节目文本表示模块为基于文本嵌入模型、序列编码模型和注意力机制的组合网络结构；其中，所述文本嵌入模型用于根据节目文本数据提取关于节目信息的字向量或句向量；所述序列编码模型用于根据所述字向量或句向量提取关于所述节目文本数据的特征信息；所述注意力机制用于根据所述特征信息获取重要性参数，以基于所述重要性参数生成节目文本向量；所述预测模块包括向量合并层和得分预测层；其中，所述向量合并层用于将所述节目知识向量与所述节目文本向量合并为节目向量；所述得分预测层用于通过相似度函数计算所述节目向量与预获取的用户嵌入向量的相似度，并使用预测激活函数将所述相似度的范围限制在预设区间内，以将所述预设区间内的值作为用户视听选择的可能性评估分值。
7.优选地，所述嵌入向量至少包括基于所述知识图谱的邻居关系获取的邻居关系嵌入向量、基于所述知识图谱的节目获取的节目嵌入向量和关于所述知识图谱的邻居实体获取的邻居实体嵌入向量。
8.优选地，还包括用户信息模块；其中，所述用户信息模块用于通过嵌入层将预获取的用户信息进行数据转换以形成用户嵌入向量。
9.优选地，所述节目知识表示模块还包括与所述信息传播层相连接的交互获取模块；所述交互获取模块用于预获取所述其他数据信息；所述其他数据信息至少包括交互信息。
10.优选地，所述线性采集器为基于gcn 的线性采集器；所述基于gcn 的线性采集器通过线性加权求和算法基于所述用户嵌入向量与所述邻居关系嵌入向量获取高阶连通信息；其中，所述基于gcn 的线性采集器包括邻居权重单元和基于gcn 的聚合单元，所述邻居权重单元用于根据所述用户嵌入向量与所述邻居关系嵌入向量获取用户与邻居关系相似度的函数，并对所述用户与邻居关系相似度的函数进行归一化处理以获取线性聚合权重：所述基于gcn 的聚合单元用于基于所述线性聚合权重使用卷积核对关于所述用户嵌入向量与所述邻居关系嵌入向量的数据进行局部感知以形成高阶连通信息。
11.优选地，所述双线性采集器通过所述邻居实体嵌入向量使所述知识图谱中两个相邻的邻居实体进行交互，并通过多项式交互捕捉相邻的邻居实体的二阶特征交互信息。
12.优选地，所述信息融合层采用加和聚合器，或拼接聚合器，或邻居聚合器。
13.优选地，基于文本嵌入模型、序列编码模型和注意力机制的组合网络结构为基于 albert bi-lstm attention 的网络结构；其中，所述文本嵌入模型为albert；所述序列编码模型为bi-lstm；所述注意力机制为attention。
14.另一方面，本发明还提供一种基于双线性感知图神经网络模型的视听推荐方法，基于如上所述的于双线性感知图神经网络模型的视听推荐系统，包括：根据所接收的知识图谱获取关于所述知识图谱的嵌入向量；通过线性采集器根据所述嵌入向量获取高阶连通信息，通过双线性采集器根据所述嵌入向量获取二阶特征交互信息；通过信息融合层对所述高阶连通信息、所述二阶特征交互信息和预获取的其他数据信息进行融合处理以形成节目知识向量；将所述节目知识向量与所获取的节目文本向量合并为节目向量，并通过相似度函数计算所述节目向量与预获取的用户嵌入向量的相似度；其中，所述节目文本向量通过节目文本表示模块获取；且，所述节目文本表示模块为基于文本嵌入模型、序列编码模型和注意力机制的组合网络结构；使用预测激活函数将所述相似度的范围限制在预设区间内，以将所述预设区间内的值作为用户视听选择的可能性评估分值。
15.优选地，通过信息融合层对所述高阶连通信息、所述二阶特征交互信息和预获取的其他数据信息进行融合处理以形成节目知识向量的过程，包括：通过所述信息融合层对单层内的高阶连通信息、二阶特征交互信息和预获取的其他数据信息进行整合以形成邻居聚合向量；使用gcn对所述邻居聚合向量和节目嵌入向量进行迭代聚合以形成节目知识向量。
16.从上面的技术方案可知，本发明提供的基于双线性感知图神经网络模型的视听推荐系统、方法，包括用于获取节目知识向量的节目知识表示模块、用于获取节目文本向量的节目文本表示模块和用于基于节目知识向量与节目文本向量获取推荐数据的预测模块；其中，节目知识表示模块包括嵌入层和信息传播层；嵌入层用于根据所接收的知识图谱获取关于知识图谱的嵌入向量；信息传播层包括线性采集器、双线性采集器和信息融合层；其中，线性采集器用于根据嵌入向量获取高阶连通信息；双线性采集器用于根据嵌入向量获取二阶特征交互信息；信息融合层用于对高阶连通信息、二阶特征交互信息和预获取的其他数据信息进行融合处理以形成节目知识向量；节目文本表示模块为基于文本嵌入模型、序列编码模型和注意力机制的组合网络结构；其中，文本嵌入模型用于根据节目文本数据提取关于节目信息的字向量或句向量；序列编码模型用于根据字向量或句向量提取关于节目文本数据的特征信息；注意力机制用于根据所述特征信息获取重要性参数，以基于所述重要性参数生成节目文本向量；预测模块包括向量合并层和得分预测层；向量合并层用于将节目知识向量与所述节目文本向量合并为节目向量；得分预测层用于通过相似度函数计算节目向量与预获取的用户嵌入向量的相似度，并使用预测激活函数将相似度的范围限制在预设区间内，以将预设区间内的值作为用户视听选择的可能性评估分值，构建基于知识图谱的个性化视听推荐模型——融合文本信息的双线性知识感知图神经网络模型（bilinear knowledge-aware graph neural networks fusing text information，简称bkgnn-ti），在系统中增加双线性采集器以捕捉图中邻居节点的二阶特征交互信息，获取节目知识向量，并且通过节目文本表示模块获取节目文本向量，进而基于所述节目知识向量与所述节目文本向量获取推荐数据，如此，提高视听推荐的精度，提升视听推荐运营效果，
提高用户黏性。
附图说明
17.通过参考以下结合附图的说明书内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：图1为根据本发明实施例的基于双线性感知图神经网络模型的视听推荐系统的框图；图2为根据本发明实施例的基于双线性感知图神经网络模型的视听推荐系统中所涉及的各个环节的流程图；图3为根据本发明实施例的基于双线性感知图神经网络模型的视听推荐系统中进行线性聚合的示意图；图4为根据本发明实施例的基于双线性感知图神经网络模型的节目知识表示模块的流程示意图；图5为根据本发明实施例的基于双线性感知图神经网络模型的节目文本表示模块的具体网络结构示意图；图6为根据本发明实施例的基于双线性感知图神经网络模型的视听推荐方法的流程图。
具体实施方式
18.目前，基于图神经网络的推荐算法通常使用 gnn 线性采集器的方式来实现邻居信息的传播和聚合，即通过将节点的邻居信息以线性的方式叠加到自身信息上，并多次迭代执行上述操作，这种方式虽然可以提取图数据的特征，捕捉特征之间的高阶连通性，但是却忽略了相邻两个节点之间的特征交互信息；除此之外，文本型数据（如iptv电影节目标题和节目简介等）在推荐算法中的利用程度也普遍不高，致使目前的推荐系统缺少关于节目文本的比重，而文本型数据包含丰富的信息，且对用户使用时的偏好影响较大，因而目前的推荐方法推荐精度低，适应性较差。
19.针对上述问题，本发明提供一种基于双线性感知图神经网络模型的视听推荐系统，以下将结合附图对本发明的具体实施例进行详细描述。
20.为了说明本发明提供的基于双线性感知图神经网络模型的视听推荐系统，图1对本发明实施例的基于双线性感知图神经网络模型的视听推荐系统的功能性模块/单元进行了示例性标示；图2对本发明实施例的基于双线性感知图神经网络模型的视听推荐系统中所涉及的各个环节的流程进行了示例性标示；图6对发明实施例的基于双线性感知图神经网络模型的视听推荐方法的流程进行了示例性标示。
21.以下示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术和设备可能不作详细讨论，但在适当情况下，所述技术和设备应当被视为说明书的一部分。
22.需要说明的是，下述基于双线性感知图神经网络模型的视听推荐系统、方法可以基于iptv节目数据集构建具体推荐系统，但推荐模型不仅适用于iptv节目系统，也可以适用于其他常规视听推荐系统。说明书中所指代的节目向量可以为推荐系统的项目向量，也
可以为其他任一能够被推荐的关于媒体的项目向量，更可以是根据具象的节目所产生的节目向量。
23.如图1、图2共同所示，本发明提供的本发明实施例的基于双线性感知图神经网络模型的视听推荐系统100，其特征在于，包括用于获取节目知识向量的节目知识表示模块110、用于获取节目文本向量的节目文本表示模块120和用于基于节目知识向量与节目文本向量获取推荐数据的预测模块130。
24.在图1、图2共同所示的实施例中，节目知识表示模块110包括嵌入层111和信息传播层112；其中，嵌入层111用于根据所接收的知识图谱获取关于知识图谱的嵌入向量。
25.在本实施例中，该嵌入向量至少包括基于知识图谱的邻居关系获取的邻居关系嵌入向量、基于知识图谱的节目获取的节目嵌入向量和关于知识图谱的邻居实体获取的邻居实体嵌入向量，在一个具体实施例中，使用基于三元组文本文件的方式存储知识图谱，并将知识图谱以（实体，关系，实体）的三元组形式输入节目知识表示模块。将知识图谱输入嵌入层前需要先从知识图谱中抽取项目（节目）的邻居实体和邻居关系，在本具体实施例中，使用来表示项目的一阶邻居实体的集合，使用来表示项目与一阶邻居之间关系的集合。由于知识图谱规模较大，项目的一阶邻居数量较多，为了保证模型的运行效率，只从其中随机抽取固定数量的邻居实体来构建邻居实体集合和邻居关系集合，其中且， 且。
26.构建完毕项目的邻居实体集合和邻居关系集合后，嵌入层通过embedding技术将用户id、项目id（节目id）、实体id和关系id分别转换为嵌入向量，其中用户嵌入向量，项目嵌入向量（节目嵌入向量），实体嵌入向量，关系嵌入向量，为嵌入向量的维度，相较于one-hot编码方式生成的one-hot向量，通过embedding方式生成的嵌入向量维度相对较低，可以降低实体矩阵和关系矩阵的稀疏度，并减小模型对内存的需求量。
27.如图1、图2共同所示，在本实施例中，信息传播层112包括线性采集器1121、双线性采集器1122和信息融合层；其中，线性采集器1121用于根据嵌入向量获取高阶连通信息；双线性采集器1122用于根据嵌入向量获取二阶特征交互信息；信息融合层（图中未示出）用于对高阶连通信息、二阶特征交互信息和预获取的其他数据信息进行融合处理以形成节目知识向量。
28.在本实施例中，还包括用户信息模块140；其中，该用户信息模块140用于通过嵌入层将预获取的用户信息进行数据转换以形成用户嵌入向量，而后将该用户嵌入向量发送至下述的预测模块中的得分预测层，一部分发送至节目知识表示模块110。
29.在本实施例中，该节目知识表示模块110还包括与信息传播层112相连接的交互获取模块113；该交互获取模块113用于预获取所述其他数据信息；所述其他数据信息至少包括交互信息，而后将该交互信息发送至信息传播层。
30.在一个具体实施例中，该线性采集器112为基于gcn 的线性采集器；该基于gcn 的线性采集器通过线性加权求和算法基于用户嵌入向量与邻居关系嵌入向量获取高阶连通信息；其中，基于gcn 的线性采集器包括邻居权重单元和基于gcn 的聚合单元，
邻居权重单元用于根据所述用户嵌入向量与所述邻居关系嵌入向量获取用户与邻居关系相似度的函数，并对所述用户与邻居关系相似度的函数进行归一化处理以获取线性聚合权重：其中，获取所述用户与邻居关系相似度的函数的公式为：；获取所述节目邻居进行线性聚合权重的归一化的公式为：；其中，为用户嵌入向量，为邻居关系嵌入向量，为关于衡量用户与邻居关系相似度的函数；基于gcn 的聚合单元用于基于所述线性聚合权重使用卷积核对关于所述用户嵌入向量与所述邻居关系嵌入向量的数据进行局部感知以形成高阶连通信息；具体的，基于 gcn 的线性采集器使用卷积核对数据进行局部感知如图3所示，b节点通过线性卷积核将e、f、g三个一阶邻居节点的信息聚合到了b节点上，形成了新的b节点，。
31.在图1、图2共同所示的实施例中，双线性采集器1122通过邻居实体嵌入向量使所述知识图谱中两个相邻的邻居实体进行交互，并通过多项式交互捕捉相邻的邻居实体的二阶特征交互信息；具体的，双线性采集器（bilinear collector，bc）使知识图谱中相邻的两个节点进行交互，通过多项式交互捕捉邻居节点的二阶特征交互信息。双线性向量的计算公式如下：其中，为包含的邻居实体集合；是中任意两个节点的组合数量；和都是中的节点，且；表示哈达玛积，即两个向量对应位置的元素相乘。通过双线性采集器，两节点在某一特征上共有的强信号得以增强，弱信号则被弱化，进而捕捉特征的交互信息。
32.在图1、图2、图4共同所示的实施例中，信息融合层（图中未示出）可以采用加和聚合器，或拼接聚合器，或邻居聚合器；该信息融合层先通过信息融合层对单层内的高阶连通信息、二阶特征交互信息和预获取的其他数据信息进行整合以形成邻居聚合向量；再使用gcn对所述邻居聚合向量和节目嵌入向量进行迭代聚合以形成节目知识向量；即先将单层内的线性采集器与双线性采集器的信息整合起来，形成单层邻居聚合向量，然后使用gcn进行迭代聚合。信息融合层可以同时捕获知识图谱中的高阶连通信息和二阶特征交互信息，如图4所示。节目嵌入向量的邻居聚合向量定义如下：，其中，是控制双线性采集器占比的超参数。
33.获取节目的邻居聚合向量后，需要将节目嵌入向量与邻居聚合向量合并，本文分别使用了三种聚合器：加和聚合器（sum）、拼接聚合器（concat）和邻居聚合器（neighbor）来
合并向量。
34.加和聚合器即将节目嵌入向量与邻居聚合向量相加后，再通过一个非线性函数进行转换，得到知识表示向量，公式如下：其中，是权重矩阵，是偏置，是非线性激活函数，如tanh或relu。
35.拼接聚合器即将节目嵌入向量与邻居聚合向量拼接后，再通过其他激活函数进行转换，得到知识表示向量，公式如下：，邻居聚合器即直接将邻居聚合向量输入非线性函数进行转换，得到知识表示向量，公式如下：，信息融合层通过多次重复执行上述实体聚合的操作，逐步将最外层的信息聚合到节目嵌入向量上，从而实现了信息的高阶传播，将迭代更新的公式总结如下：，其中，是h阶知识表示向量，是聚合器，和是上一次聚合操作后得到的阶表示向量。
36.在图1、图2共同所示的实施例中，节目文本表示模块120为基于文本嵌入模型121、序列编码模型122和注意力机制123的组合网络结构；其中，该文本嵌入模型121用于根据节目文本数据提取关于节目信息的字向量或句向量；该序列编码模型122用于根据该字向量或句向量提取关于节目文本数据的特征信息；该注意力机制123用于根据特征信息获取重要性参数，以基于重要性参数生成节目文本向量；在本实施例中，基于文本嵌入模型、序列编码模型和注意力机制的组合网络结构为基于 albert bi-lstm attention 的网络结构；其中，所述文本嵌入模型为albert；所述序列编码模型为bi-lstm；所述注意力机制为attention。
37.更为具体的，如图5所示，节目文本表示模块以节目的文本信息为输入，以节目文本向量输出，捕捉节目的文本表示信息，故构建了基于 albert bi-lstm attention 的网络结构，利用其中各个模型的特点，能更好的捕捉上下文信息，且能为重要的词语分配更大的权重，该模块首先使用训练速度快且效果好的 albert 语言模型来提取字向量或句向量，然后使用能够更好捕获双向语义依赖的 bi-lstm 神经网络进行特征提取，最后使用 attention 机制进一步捕捉每个字在句子中的重要性，生成最终的字向量或句向量，通过 albert bi-lstm attention 的网络结构可以获取节目文本向量。
38.如图1、图2共同所示，预测模块130包括向量合并层131和得分预测层132；其中，向量合并层131用于将节目知识向量与节目文本向量合并为节目向量；得分预测层132用于通过相似度函数计算所述节目向量与预获取的用户嵌入向量的相似度，并使用预测激活函数将所述相似度的范围限制在预设区间内，以将所述预设区间内的值作为用户视听选择的可能性评估分值；该预测激活函数为sigmoid激活函数，具体的，在该预测模块中，首先将上述
步骤中生成的节目文本向量和节目知识向量合并为节目向量p，然后使用相似度函数计算用户嵌入向量与节目向量的相似度，最后使用预测激活函数sigmoid 函数将相似度的范围限制在(0, 1)之间，以该值作为预测分值，将该预测分值作为可能性评估分值，以表示用户观看节目的可能性，计算公式如下：其中，为相似度函数，为用户嵌入向量，p为节目向量。在本实施例中将相似度函数设置为内积函数。
39.综上所述，本发明提供的基于双线性感知图神经网络模型的视听推荐系统，包括用于获取节目知识向量的节目知识表示模块、用于获取节目文本向量的节目文本表示模块和用于基于节目知识向量与节目文本向量获取推荐数据的预测模块；其中，节目知识表示模块包括嵌入层和信息传播层；嵌入层用于根据所接收的知识图谱获取关于知识图谱的嵌入向量；信息传播层包括线性采集器、双线性采集器和信息融合层；其中，线性采集器用于根据嵌入向量获取高阶连通信息；双线性采集器用于根据嵌入向量获取二阶特征交互信息；信息融合层用于对高阶连通信息、二阶特征交互信息和预获取的其他数据信息进行融合处理以形成节目知识向量；节目文本表示模块为基于文本嵌入模型、序列编码模型和注意力机制的组合网络结构；其中，文本嵌入模型用于根据节目文本数据提取关于节目信息的字向量或句向量；序列编码模型用于根据字向量或句向量提取关于节目文本数据的特征信息；注意力机制用于根据所述特征信息获取重要性参数，以基于所述重要性参数生成节目文本向量；预测模块包括向量合并层和得分预测层；向量合并层用于将节目知识向量与所述节目文本向量合并为节目向量；得分预测层用于通过相似度函数计算节目向量与预获取的用户嵌入向量的相似度，并使用预测激活函数将相似度的范围限制在预设区间内，以将预设区间内的值作为用户视听选择的可能性评估分值，构建基于知识图谱的个性化视听推荐模型——融合文本信息的双线性知识感知图神经网络模型（bilinear knowledge-aware graph neural networks fusing text information，简称bkgnn-ti），在系统中增加双线性采集器以捕捉图中邻居节点的二阶特征交互信息，获取节目知识向量，并且通过节目文本表示模块获取节目文本向量，进而基于所述节目知识向量与所述节目文本向量获取推荐数据，如此，提高视听推荐的精度，提升视听推荐运营效果，提高用户黏性。
40.如图6所示，本发明还提供一种基于双线性感知图神经网络模型的视听推荐方法，基于上述的基于双线性感知图神经网络模型的视听推荐系统100，包括：s1：根据所接收的知识图谱获取关于所述知识图谱的嵌入向量；s2：通过线性采集器根据所述嵌入向量获取高阶连通信息，通过双线性采集器根据所述嵌入向量获取二阶特征交互信息；s3：通过信息融合层对所述高阶连通信息、所述二阶特征交互信息和预获取的其他数据信息进行融合处理以形成节目知识向量；s4：将所述节目知识向量与所获取的节目文本向量合并为节目向量，并通过相似度函数计算所述节目向量与预获取的用户嵌入向量的相似度；其中，所述节目文本向量通过节目文本表示模块获取；且，所述节目文本表示模块为基于文本嵌入模型、序列编码模型和注意力机制的组合网络结构；
s5：使用预测激活函数将所述相似度的范围限制在预设区间内，以将所述预设区间内的值作为用户视听选择的可能性评估分值。
41.其中，通过信息融合层对所述高阶连通信息、所述二阶特征交互信息和预获取的其他数据信息进行融合处理以形成节目知识向量的过程，包括：通过所述信息融合层对单层内的高阶连通信息、二阶特征交互信息和预获取的其他数据信息进行整合以形成邻居聚合向量；使用gcn对所述邻居聚合向量和基于知识图谱的节目所获取的节目嵌入向量进行迭代聚合以形成节目知识向量。
42.具体的实施方法不做具体限制，在此不做过多赘述，可参照基于双线性感知图神经网络模型的视听推荐系统100的具体实施例。
43.如上所述，本发明提供的基于双线性感知图神经网络模型的视听推荐方法，首先根据所接收的知识图谱获取关于所述知识图谱的嵌入向量，再通过线性采集器根据所述嵌入向量获取高阶连通信息，通过双线性采集器根据所述嵌入向量获取二阶特征交互信息，再通过信息融合层对所述高阶连通信息、所述二阶特征交互信息和预获取的其他数据信息进行融合处理以形成节目知识向量，进而将所述节目知识向量与所获取的节目文本向量合并为节目向量，并通过相似度函数计算所述节目向量与预获取的用户嵌入向量的相似度；其中，所述节目文本向量通过节目文本表示模块获取；且，所述节目文本表示模块为基于文本嵌入模型、序列编码模型和注意力机制的组合网络结构，而后使用预测激活函数将所述相似度的范围限制在预设区间内，以将所述预设区间内的值作为用户视听选择的可能性评估分值，构建基于知识图谱的个性化视听推荐模型——融合文本信息的双线性知识感知图神经网络模型（bilinear knowledge-aware graph neural networks fusing text information，简称bkgnn-ti），在系统中增加双线性采集器以捕捉图中邻居节点的二阶特征交互信息，获取节目知识向量，并且通过节目文本表示模块获取节目文本向量，进而基于所述节目知识向量与所述节目文本向量获取推荐数据，如此，提高视听推荐的精度，提升视听推荐运营效果，提高用户黏性。
44.如上参照附图以示例的方式描述了根据本发明提出的基于双线性感知图神经网络模型的视听推荐系统、方法。但是，本领域技术人员应当理解，对于上述本发明所提出的基于双线性感知图神经网络模型的视听推荐系统、方法，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。