一种基于带权图卷积和项目吸引力模型的会话推荐方法技术

本发明专利技术涉及一种带权图卷积和项目吸引力模型的会话推荐方法，属于推荐系统技术领域。将用户会话转换为与局部作用域和全局作用域对应的局部图和全局图；基于这两类图，从每个会话的个体结构和所有会话的整体结构中获取项目的信息分布；将这两类图用于观察项目之间的邻接关系，找到符合用户会话内部结构的项目邻域，得到邻域项目影响的不同程度；再基于获取项目的信息分布及领域项目影响的不同程度进行会话推荐。所述方法从结构上深层次地捕获会话内部和会话整体的信息分布，使捕获到的信息分布更加精确和有效，同时提高了邻域影响力计算的准确性，进而提高了对会话下一个项目预测的全面性和准确性。

A session recommendation method based on weighted graph convolution and project attraction model

【技术实现步骤摘要】
一种基于带权图卷积和项目吸引力模型的会话推荐方法
本专利技术涉及一种带权图卷积和项目吸引力模型的会话推荐方法，属于推荐系统

技术介绍
会话推荐已经成为推荐领域的一个重要组成部分，并在现代商业系统中得到了广泛且成功地应用。会话推荐利用用户交互会话中的现有项目来预测用户的下一个交互项目。然而，无论是在单个会话中还是在所有会话构成的整体中，项目信息的分布通常是不均匀的，这将导致每个项目对同一会话或不同会话中的其他项目的影响是不平衡的，而且对当前会话的下一个用户交互项目的影响也是不平衡的。基于模式/规则的方法通过挖掘频繁模式或关联规则来过滤项目信息。然而，这类方法很容易丢失不常见项目的信息。因此，一些研究者引入马尔可夫链来建模用户会话，并计算项目之间的转移概率。这些方法包含所有的项目信息，减少了信息丢失量。最近的研究将神经网络应用于用户会话推荐。这些方法主要通过增加注意力机制来捕捉用户会话内的项目信息分布，并根据会话的上下文信息选择对当前用户会话重要的项目。现有方法虽然能一定程度上解决项目信息的非均匀分布问题，但仍存在一定的局本文档来自技高网...

【技术保护点】
1.一种基于带权图卷积和项目吸引力模型的会话推荐方法，其特征在于：包括如下步骤：/n步骤1：计算项目的局部吸引力，具体包括如下子步骤：/n步骤1.1：将每个用户会话转换为一个无向图，称为局部图；/n其中，局部图中的顶点对应该用户会话中的项目；局部图中的每条边表示用户交互转移，即，若两个项目在该用户会话中相邻，则两个项目在局部图中对应的两个节点之间存在一条边，两个项目在该用户会话中相邻几次，对应的节点间就存在几条边；/n步骤1.2：计算局部图中的每个节点的度，记为局部度；然后计算每个节点对应项目的局部吸引力，项目的局部吸引力为该项目对应节点的局部度除以局部图中所有节点的局部度的和；/n步骤2：计...

【技术特征摘要】
1.一种基于带权图卷积和项目吸引力模型的会话推荐方法，其特征在于：包括如下步骤：
步骤1：计算项目的局部吸引力，具体包括如下子步骤：
步骤1.1：将每个用户会话转换为一个无向图，称为局部图；
其中，局部图中的顶点对应该用户会话中的项目；局部图中的每条边表示用户交互转移，即，若两个项目在该用户会话中相邻，则两个项目在局部图中对应的两个节点之间存在一条边，两个项目在该用户会话中相邻几次，对应的节点间就存在几条边；
步骤1.2：计算局部图中的每个节点的度，记为局部度；然后计算每个节点对应项目的局部吸引力，项目的局部吸引力为该项目对应节点的局部度除以局部图中所有节点的局部度的和；
步骤2：计算项目的全局吸引力，具体包括如下子步骤：
步骤2.1：将所有用户会话转换为一个无向图，称为全局图；
其中，全局图中的顶点对应所有的用户会话中的项目，每条边表示用户交互转移，即，若两个项目在某一个用户会话中相邻，则两个项目在全局图中对应的两个节点之间存在一条边，两个项目在所有的用户会话中相邻几次，对应的节点间就存在几条边；
步骤2.2：计算全局图中每个节点的度，记为全局度；然后计算每个节点对应项目的全局吸引力，项目的全局吸引力为该项目对应节点的全局度除以全局图中所有节点的全局度的和；
至此，步骤1和步骤2分别得到项目的局部吸引力和全局吸引力，即完成了分别从每个会话的个体结构和所有会话的整体结构中获取项目的信息分布；
步骤3：利用局部图获取项目邻域，计算邻域项目影响的不同程度：
步骤3.1：将所有会话中的项目构成一个项目集合，将该项目集合嵌入到一个向量空间中，得到所有项目的潜在向量表示；
将所有项目对应的类别构成一个类别集合，将该类别集合嵌入到另一个向量空间中得到每个类别的向量表示；
步骤3.2：局部图中每个节点的向量表示初始化为该节点对应的项目的向量表示，将节点向量与项目对应的类别向量相加，得到类别化节点向量；
步骤3.3：对于局部图中的每个节点，把与该节点在局部图中直接相连的节点作为该节点的邻域；然后统计该节点与邻域中每个节点在局部图中的边数，将边数除以该节点的局部度，得到邻域中每个节点的权重，权重表示邻域节点对该节点的影响程度；
至此，步骤3得到了符合用户会话内部结构的项目邻域和邻域项目影响的不同程度；
步骤4：利用带权图卷积聚合邻域影响和信息，计算项目在用户会话中的向量表示，具体为：
步骤4.1：对于局部图中每个节点，将其邻域中的每个节点由步骤3.2得到的类别化节点向量输入到一个前馈神经网络中，得到邻域节点的向量表示；
步骤4.2：对于局部图中的每个节点，采用加权和作为聚合函数来得到其邻域的向量表示；
步骤4.3：对于局部图中的每个节点，拼接其由步骤3.2得到的类别化向量表示和由步骤4.2得到的邻域向量表示，并把拼接结果传入一个前馈神经网络，得到该节点的最终向量表示；
步骤4.4：将由步骤4.3得到的节点向量作为该节点对应的项目在当前用户会话中的向量表示；
步骤5：计算项...

【专利技术属性】
技术研发人员：施重阳，冯超群，姜欣雨，郝戍峰，张奇，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11