一种基于上下文邻居关系建模的会话社交推荐方法技术

本发明专利技术公开了一种基于上下文邻居关系建模的会话社交推荐方法。该方法基于给定目标用户的历史交互数据和社交网络信息，找出目标用户最可能交互的下一个物品。本方法首先对用户兴趣进行建模，然后采用会话层次的注意力机制去获得对应目标用户的社交网络中每个朋友的表征。再利用社交网络，学习朋友对用户的社交影响。最后结合朋友对目标用户的社交影响和目标用户兴趣进行物品的推荐。本方法克服了现有方法中的弊端：忽视目标用户和朋友之间的兴趣只有部分重合。因此本发明专利技术方法实施的推荐效果比现有方法有了显著的提升。

A session social recommendation method based on context neighborhood modeling

【技术实现步骤摘要】
一种基于上下文邻居关系建模的会话社交推荐方法
本专利技术属于互联网服务
，具体涉及一种基于上下文邻居关系建模的会话社交推荐方法。
技术介绍
很多在线平台，例如Yelp、Epinions等，允许用户在平台上分享自己的兴趣和经历，以及和其他用户进行互动。很多社交推荐方法在推荐物品的时候，将社交影响考虑进来，可以降低数据的稀疏度。将用户交互行为数据和用户的社交网络进行互补地结合，提高个性化推荐方法准确度是本专利技术的出发点。大多数社交推荐方法采用矩阵分解模型，将用户的社交网络和用户的交互网络结合起来建模。近几年，随着图卷积网络(GCN)的发展，有些学者开始使用图卷积网络来学习朋友对目标用户的社交影响。Hamilton等人提出的GraphSAGE框架属于一种图卷积网络方法，它不需要输入整个用户的社交网络矩阵，极大地降低了模型的内存使用量和计算复杂度。但是这些方法的共同点是对不同的目标用户，同一朋友的向量表征保持不变，没有考虑到目标用户和朋友之间的兴趣只有部分重合。本专利技术认为用户的兴趣是多样且多变的，针对不同目标用户的同一个朋友，应该关注该朋友最相近的兴趣点。社交网络中朋友的向量表征不是静态不变的，针对不同的目标用户，朋友的向量表征会随之变化。本专利技术采用注意力机制和图卷积网络共同实现该功能。
技术实现思路
基于上述，本专利技术提供了一种基于上下文邻居关系建模的会话社交推荐方法。对目标用户当前兴趣进行建模。再根据目标用户当前兴趣向量表征以及朋友历史会话序列，得到朋友中和目标用户最匹配的那部分兴趣。之后，利用社交网络，结合目标用户兴趣向量表征和朋友的向量表征来计算社交影响。最后结合社交影响和用户兴趣进行物品推荐。一种基于上下文邻居关系建模的会话社交推荐方法，包括如下步骤：构建目标用户ui的社交网络G，令：G＝{U,E}其中，U表示社交网络中目标用户ui的朋友集合，E是目标用户的社交连接。构建用户会话向量表征，包括目标用户ui和他的朋友们N(i)。目标用户ui的某一会话的向量表征为：其中，Q是物品的向量矩阵，Q(:,si)代表出现在会话si中所有的物品向量。长短期记忆网络LSTM是一种循环神经网络方法(RNN)，是标准的序列建模工具。长短期记忆网络LSTM可以按序地输入会话si，并输出当前序列向量表征。对于目标用户在时间t的当前会话他的第l个朋友最近的会话序列为其中任一会话表征方法和目标用户ui的会话表征方法一致，采用LSTM方法，且共享同样的参数。根据用户当前会话序列，构建用户兴趣模型。采用目标用户ui当前会话表征来表示用户的兴趣,令：其中，为用户当前会话的向量表征。根据社交网络G，获得用户的朋友表征f(i,l)。该模块的输入是一对用户和朋友(ui,u(i,l))，ui是目标用户，u(i,l)是目标用户的第l个朋友，输出是朋友的向量表征f(i,l)，代表了用户ui和朋友u(i,l)之间的联系，也是朋友u(i,l)的向量表征，令：其中，函数g代表一个非线性转化，为用户当前会话，为目标用户的第l个朋友最近的会话序列函数g使用注意力机制来实现，具体为：其中，pi为目标用户ui的兴趣表征，为目标用户的第l个朋友的第j个会话表征，参数和参数控制每个会话向量的权重，d代表会话向量的维度。采用注意力机制可以更专注于朋友中和目标用户相近的兴趣。根据社交网络G，计算朋友对目标用户的社交影响。将目标用户ui的朋友N(i)的兴趣传递给目标用户ui，令：其中，k代表社交网络G的搜索深度，是N(i)是目标用户ui的朋友集合，代表节点ui在k层的向量表征，为向量pi，为向量f(i,l)。非线性函数g实现节点的信息传递，令函数g为：其中，Wk是图参数，σ为sigmoid函数，AGGREGATEk函数采用的是最大池化(max-pooling)方法：其中，max代表元素级别的max操作，可以有效捕捉邻居的各个维度属性。社交网络G在进行信息传递的时候，可以根据用户和邻居节点的相似度来调整用户节点。因为参数α(i,j)除了可以关注邻居节点历史会话中和目标用户最相似的兴趣部分，还可以表示目标用户和邻居节点的相似程度。结合用户自身兴趣和社交影响，获得用户最终向量表征。用户的兴趣由他当前会话行为和社交影响共同决定，用户的最终表示就由全连接层合并两者得到，令：gi＝W3·[pi⊕hi]其中，W3是线性转化矩阵，pi为用户ui行为表现出的兴趣，hi是用户ui的社交影响，⊕为向量拼接操作。根据用户最终向量表征和物品向量表征，推荐物品。将物品vj的向量qj乘以用户兴趣向量，再应用softmax函数计算出物品vj的分数：其中，g代表用户的兴趣向量，代表物品vj成为下一个交互的可能性。同时根据的对数似然函数值，计算损失函数：其中，yj代表vj的one-hot编码，函数用梯度下降法来最优化。为了验证本专利技术在社交会话推荐中的技术效果，本专利技术采用公开的Delicious数据，观察指标Recall@20和NDCG，发现效果较最新的序列推荐方法有了显著的提升。本专利技术的有益技术效果如下：(1)本专利技术针对不同的目标用户，对朋友进行动态地向量表征，得到朋友中和目标用户最匹配的那部分兴趣。(2)本专利技术同时根据用户和邻居节点的相似度来调整用户节点，兴趣相近的朋友对目标用户有更大的影响力。附图说明图1为本专利技术方法的流程示意图；图2为本专利技术方法的模型框架图；图3位本专利技术方法的用户兴趣关系示意图。具体实施方式为了更为具体地描述本专利技术，下面结合附图及具体实施方式对本专利技术的技术方案进行详细说明。首先，需要对用到的变量和公式给出相关定义。定义1.U：用户的集合，且U＝{u1,u2,…,un}。定义2.V：物品集合，且V＝{v1,v2,…,vm}。定义3.G：关于用户和用户关系的社交网络。定义4.N(i)：社交网络G中用户ui的邻居集合。定义5.用户ui在时间t的会话，会话是一个时间段里的物品集合定义6.S(i)：用户ui在所有时间的会话集合，定义7.qj：物品vj的向量表征。定义8.pi：从用户行为得到的用户ui的兴趣向量表征。定义9.f(i,l)：用户ui第l个朋友的向量表征。定义10.hi：用户ui的朋友们对用户ui的社交影响。定义11.gi：用户ui的总的兴趣向量表征，通过综合考虑pi和hi得到。结合以上变量定义，我们将最终的问题定义为：给定用户ui当前会话和社交网络关系，会话社交推荐方法对用户的当前兴趣和社交影响进行建模，来推荐用户ui在下一步最可能感兴趣的物品，物品是集合V的子集。为此，本专利技术提出了一种新颖的基于上下文邻居关系建模的会话社本文档来自技高网...

【技术保护点】
1.一种基于上下文邻居关系建模的会话社交推荐方法，其特征在于：/n构建目标用户u

【技术特征摘要】
1.一种基于上下文邻居关系建模的会话社交推荐方法，其特征在于：
构建目标用户ui的社交网络G，令：
G＝{U，E}
其中，U表示社交网络中目标用户ui的朋友集合，E是目标用户的社交连接；
构建用户会话向量表征，包括目标用户ui和他的朋友们N(i)；目标用户ui的某一会话的向量表征为：



其中，Q是物品的向量矩阵，Q(：，si)代表出现在会话si中所有的物品向量；长短期记忆网络LSTM是一种循环神经网络方法(RNN)，是标准的序列建模工具；长短期记忆网络LSTM可以按序地输入会话si，并输出当前序列向量表征；
对于目标用户在时间t的当前会话他的第l个朋友最近的会话序列为其中任一会话表征方法和目标用户ui的会话表征方法一致，且共享同样的参数；
根据用户当前会话序列，构建用户兴趣模型；采用目标用户ui当前会话表征来表示用户的兴趣，令：



其中，为用户当前会话的向量表征；
根据社交网络G，获得用户的朋友表征f(i，l)；该模块的输入是一对用户和朋友(ui，u(i，l))，ui是目标用户，u(i，l)是目标用户的第l个朋友，输出是朋友的向量表征f(i，l)，代表了用户ui和朋友u(i，l)之间的联系，也是朋友u(i，l)对用于用户ui的向量表征，令：



其中，函数g代表一个非线性转化，为用户当前会话，为目标用户的第l个朋友最近的会话序列函数g使用注意力机制来实现，具体为：






其中，pi为目标用户ui的兴趣表征，为目标用户的第l个朋友的第j个会话表征...

【专利技术属性】
技术研发人员：顾盼，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江;33