一种基于时空序列图卷积网络的会话推荐方法技术

一种基于时空序列图卷积网络的会话推荐方法，包括以下步骤：S1：将所有会话序列建模为有向会话图；S2：以会话中共有的商品为链接，构建全局图；S3：将ARMA过滤器嵌入到门控图神经网络中，提取图模型中随时间变化的拓扑图信号，并得到会话图中涉及的各个节点的特征向量；S4：采用注意力机制从用户历史会话中得到全局偏好信息；S5：从用户点击的最后一个会话中获取用户的局部偏好信息，并结合全局偏好信息得到用户最终偏好信息；S6：预测每个会话中下一点击商品可能出现的概率，并给出Top‑K推荐商品。本发明专利技术能够从全局图中捕获所点击商品的丰富的上下文关系，准确学习用户的全局和局部偏好，并有效评估用户历史偏好对当前偏好的时间衰减效果，提供准确的商品预测。

【技术实现步骤摘要】
一种基于时空序列图卷积网络的会话推荐方法
本专利技术涉及互联网服务
，特别是一种基于时空序列图卷积网络的会话推荐方法。
技术介绍
随着互联网购物的迅速普及，网上信息量过载也是必然趋势，那么用户如何从海量数据中获取有效信息已成为当务之急。推荐系统可以为不同的用户提供个性化的推荐，以便每个用户都可以从推荐系统筛选的有限的多样信息中获得他们想要的信息，而基于会话的推荐作为推荐领域的一个分支，能够实时向用户推荐潜在兴趣商品，旨在帮助在线系统提供精准个性的推荐服务。目前大多数现有的基于会话的推荐系统通常仅将会话建模为序列，使用递归神经网络进行推荐或是给定一个前提假设：用户画像及其历史活动信息是被不断记录的。尽管以上方法是有效果的，但实际应用场景的许多服务中，存在用户的信息可能是未知的或是只有当前正在进行的会话中的用户历史行为，因此，在有限的用户信息下，捕获商品之间潜在关系非常重要。基于会话的推荐的基本目的是提高推荐的准确性并改善用户体验。尽管到目前为止已经提出了许多方法，但是基于会话的推荐仍处于起步阶段，目前主流的推荐方法主要存在以下挑战：(1)马尔可夫链(MC)通常假设用户操作的连续行为之间存在很大的依赖性。但是在现实世界的交易数据中的情况可能并非如此，因为用户可能只是随机地将一些他/她喜欢的商品拿到购物车中，因此该模型预测结果并不十分的准确。(2)循环神经网络(RNN)虽然相比传统的会话推荐系统取得了重大进展，然而大多数现有的基于RNN的模型并没有揭示频繁点击模式的全局信息，多数方法考虑的是建模在顺序依赖性方面固有的优势，也没有考虑用户兴趣随时间的变化。当一个会话中用户的行为数量十分有限时，该方法难以获取准确的用户行为表示。(3)自注意力(Self-Attention)作为一种特殊的注意力机制，已被广泛用于序列数据建模，并在许多应用中取得了显著成果，例如机器翻译和顺序推荐。然而，该操作分散了注意力的分布，这导致对相邻商品缺乏局部依赖性，并限制了其学习商品的情境表示的能力。针对会话中存在的相当复杂的结构，会话之间的交互相关联的挑战，会话异构性、会话之间的顺序依赖性和会话的动态性问题，本专利技术提出了一种基于时空注意模型和门控图神经网络的高效的在线网站会话推荐方法。
技术实现思路
本专利技术的目的是克服现有技术的上述不足而提供一种基于时空序列图卷积网络的会话推荐方法。本专利技术的技术方案是：一种基于时空序列图卷积网络的会话推荐方法，包括以下步骤：S1：将所有会话序列建模为有向会话图；S2：以会话中共有的商品为链接，构建全局图；S3：将ARMA过滤器嵌入到门控图神经网络中，提取图模型中随时间变化的拓扑图信号，并得到会话图中涉及的各个节点的特征向量；S4：采用注意力机制从用户历史会话中得到全局偏好信息；S5：从用户点击的最后一个会话中获取用户的局部偏好信息，并结合全局偏好信息得到用户最终偏好信息；S6：预测每个会话中下一点击商品可能出现的概率，并给出Top-K推荐商品。进一步，S1中，具体包括：令I＝{i1，...，i|I|}代表所有用户的会话中交互的商品集合，|I|表示商品总数；令s＝{i1，...，i|s|}代表特定时间段内或特定事件中由特定用户的会话中交互的商品集合，|s|为会话序列长度；任一商品ik视为节点，其中1≤k≤|s|，将(ik-1，ik)视为用户在会话s中点击商品ik-1之后再点击商品ik所构成的边；将每个会话序列建模为有向图G＝(N，E)，N是节点集，E是边的集合。进一步，S2具体包括：通过利用会话中的共有商品作为链接，将S1中构建的所有有向图组合成一个全局图，并将相对应的商品采用嵌入向量的形式表示，建立以下嵌入表：式中，ei为嵌入空间后的节点向量，且ei∈Rd，表示商品i在通过所嵌入的向量空间后得到的潜在向量，其中d是维数，NE为商品固有属性的潜在特征。进一步，S3中，所述节点的特征向量的获取方法为：将ARMA过滤器与图卷积神经网络结合，形成ARMAConv层；ARMAConv层由多个图卷积跳(GCS)模块组成，来实现递归更新，节点的信号变化通过以下公式获得：式中，为节点在ARMAConv层中的t+1时刻的节点特征向量，V(t)是参数，是节点的初始特征，是优化后的拉普拉斯，D为度矩阵，A为邻接矩阵，δ(·)表示sigmoid函数。进一步，构造K个并行堆栈，每个堆栈具有T个GCS层，并将ARMAConv层的输出定义为：式中，T为堆栈中GCS层的数量。进一步，S5中，对于会话序列将用户当前会话的最后一个点击商品作为局部偏好信息，通过以下公式获得：式中，表示用户当前会话中最后一次点击的商品。进一步，通过聚合全局图中所有的节点特征向量来作为会话的全局嵌入，并使用注意力机制计算用户全局偏好信息hg，其中注意力机制定义为：式中，xi表示ARMAConv层后第i个商品节点的特征向量，W1是权重向量，W2和W3表示商品特征向量的权重矩阵，δ表示sigmoid函数，b表示神经网络中的偏置参数，αi表示当前会话前面历史商品xi的注意力系数；全局偏好信息通过以下公式获得：进一步，将全局偏好信息和局部偏好信息合并得到用户最终偏好信息，将用户在当前会话中的时间行为和主要目的都建模为统一表示ht，其中向量hg和hl是串联拼接，混合嵌入层的用户最终偏好信息表示为：ht＝W3[hg，hl]进一步，S5中，通过用户的最终偏好信息和ARMAConv层后的第i个商品节点向量进行内积计算，通过softmax函数得到最终每个商品可能的被点击概率，概率较大的前K个商品将被作为推荐商品给用户，其中公式表示如下：本专利技术的有益效果：(1)与现有的基于会话的推荐算法方法相比，本专利技术将时空注意力模型与门控图神经网络相结合，空间注意模式可以构造全局图，并从全局图捕获丰富的上下文关系；时间注意力模型使用门控图神经网络模型来学习用户的全局和局部偏好。(2)相比大多数方法视会话为匿名会话的假定前提，本专利技术提出的方法重新考虑会话事件结构，以便在推荐中捕获更丰富的信息。换句话说，本专利技术学习用户事件行为模式和用户偏好从一个事件转移到另一个事件。(3)本专利技术综合考虑所有会话，以会话中的商品为中心建立会话间的关系，以捕获更丰富的商品间的关系，因为在许多情况下，既有来自未登录查看器的匿名会话，也有来自己登录用户的命名会话。(4)相比大多数方法将所有对话视为独立的序列，并且仅考虑用户的局部偏好，尽管某些方法将对话视为图形结构，但是当对话中没有足够的动作且循环很少时，很难将其表示出来。本专利技术将分离的会话序列构建为图结构数据，可以更好地捕获商品之间，不同用户的会话之间以及同一用户在不同时间段的会话之间的复杂关系。此外，考虑到用户单击商品不是孤立的而是时间序列，我们将ARMA过滤器本文档来自技高网...

【技术保护点】
1.一种基于时空序列图卷积网络的会话推荐方法，其特征在于，包括以下步骤：/nS1：将所有会话序列建模为有向会话图；/nS2：以会话中共有的商品为链接，构建全局图；/nS3：将ARMA过滤器嵌入到门控图神经网络中，提取图模型中随时间变化的拓扑图信号，并得到会话图中涉及的各个节点的特征向量；/nS4：采用注意力机制从用户历史会话中得到全局偏好信息；/nS5：从用户点击的最后一个会话中获取用户的局部偏好信息，并结合全局偏好信息得到用户最终偏好信息；/nS6：预测每个会话中下一点击商品可能出现的概率，并给出TOP-K的推荐商品。/n

【技术特征摘要】
1.一种基于时空序列图卷积网络的会话推荐方法，其特征在于，包括以下步骤：
S1：将所有会话序列建模为有向会话图；
S2：以会话中共有的商品为链接，构建全局图；
S3：将ARMA过滤器嵌入到门控图神经网络中，提取图模型中随时间变化的拓扑图信号，并得到会话图中涉及的各个节点的特征向量；
S4：采用注意力机制从用户历史会话中得到全局偏好信息；
S5：从用户点击的最后一个会话中获取用户的局部偏好信息，并结合全局偏好信息得到用户最终偏好信息；
S6：预测每个会话中下一点击商品可能出现的概率，并给出TOP-K的推荐商品。


2.根据权利要求1所述基于时空序列图卷积网络的会话推荐方法，其特征在于，S1中，具体包括：令I＝{i1,...,i|I|}代表所有用户的会话中交互的商品集合，|I|表示商品总数；令s＝{i1,...,i|s|}代表特定时间段内或特定事件中由特定用户的会话中交互的商品集合，|s|为会话序列长度；任一商品ik视为节点，其中1≤k≤|s|，将(ik-1,ik)视为用户在会话s中点击商品ik-1之后再点击商品ik所构成的边；将每个会话序列建模为有向图G＝(N,E)，N是节点集，E是边的集合。


3.根据权利要求1或2所述基于时空序列图卷积网络的会话推荐方法，其特征在于，S2具体包括：通过利用会话中的共有商品作为链接，将S1中构建的所有有向图组合成一个全局图，并将相对应的商品采用嵌入向量的形式表示，建立以下嵌入表：



式中，ei为嵌入空间后的节点向量，且ei∈Rd，表示商品i在通过所嵌入的向量空间后得到的潜在向量，其中d是维数，NE为商品固有属性的潜在特征。


4.根据权利要求1或2所述基于时空序列图卷积网络的会话推荐方法，其特征在于，S3中，所述节点的特征向量的获取方法为：
将ARMA过滤器与图卷积神经网络结合，形成ARMAConv层；ARMAConv层由多个图卷积跳模块组成，图卷积跳简称为GCS，来实现递归更新，节点的信号变化通过以下公式获得：



式中，...

【专利技术属性】
技术研发人员：王换文，陈浩，陈建国，周文杰，陈雯姝，张银燕，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43