一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法技术

本发明专利技术公开了一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法，属于推荐技术领域。对于每个会话序列构建单独的有向会话图，所有的会话图都使用共享项作为链接形成全局图作为输入。多层图卷积网络根据项目特征对其进行向量表示，并通过多头注意力机制得到会话图的全局偏好表示，同时将每个会话图中最后一个点击项的向量表示作为局部偏好表示。之后，全局偏好和局部偏好使用线性变换得到会话序列的最终表示，以此预测图中项目成为下一次点击的概率。本方法使用初始残差和恒等映射两个理论方法，解决多层图卷积网络带来的过度平滑问题，同时使用了多头注意力机制提升了模型的表达能力，提高了在会话中预测项目的准确率。率。率。

【技术实现步骤摘要】
一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法


[0001]本专利技术属于推荐
，采用基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法。

技术介绍

[0002]作为推荐
的重要组成部分，会话推荐在现代信息化社会得到了广泛应用。例如网上购物平台、在线社交平台等通过使用会话推荐算法，提升用户的满意度并提高公司的收益。会话推荐使用用户的历史交互信息挖掘出用户的偏好，从而预测用户的下一个交互项目。
[0003]现有的基于会话的推荐算法中，基于马尔科夫链的方法作为一种顺序决策的随机过程，模拟会话场景生成推荐列表，预测用户的行为，但该方法独立性假设过于强烈，对于预测准确性的提高有一定的限制。基于循环神经网络(RNN)的推荐方法也取得了很好的效果，但没有充分利用会话图结构信息，难以准确估计会话中的用户隐含表示向量。之后，由于图神经网络的兴起，很多学者也开始了基于图神经网络的会话推荐算法的研究，图神经网络可以很好地捕捉会话图数据中的结构信息，从而更好地向用户进行精准推荐。
[0004]但是，目前的基于图神经网络的会话推本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法，其特征在于，步骤如下：(1)构建出所有会话信息组成的有向会话局部图和全局图；(2)遍历全局图和局部图分别得到局部图的邻接矩阵和全局图的邻接矩阵，同时基于图中每个节点的索引设置物品的初始特征向量；(3)将邻接矩阵和特征向量输入至图神经网络中，经最终池化层输出，得到的向量为物品最终的向量表示；(4)将物品最终的向量表示输入至多头注意力层中，得到会话的全局向量表示；(5)将每个会话中最后一个点击物品的向量表示作为该会话的局部向量表示；(6)将会话的局部向量表示和全局向量表示进行拼接，得到会话的最终表示；(7)将会话的最终表示的转置与每个节点向量相乘，得到的向量再经Softmax函数得到最终输出，即下一次被点击的概率即分数，取分数最大的前p个项目作为当前会话的推荐项目。2.根据权利要求1所述的一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法，其特征在于，步骤如下：步骤A：对数据集进行预处理；数据集包含的会话信息包括会话ID、被点击的物品ID以及点击时间；依据会话长度和在数据集中出现的次数对数据集中的数据进行过滤，再将过滤后的数据集划分练集和测试集；步骤B：根据训练集中的会话信息构建有向会话图，每个有向会话图作为会话局部图，并根据共享项作为链接构建出会话的全局图；局部图和全局图中的节点表示目标用户点击的项目，边表示用户点击了由该边连接的两个节点；步骤C：遍历全局图和局部图分别得到局部图的邻接矩阵和全局图的邻接矩阵A，同时根据图中每个节点的索引设置物品的初始特征向量；在得到物品的特征向量后，邻接矩阵和特征向量作为下一步骤中图卷积神经网络的输入；步骤D：将图卷积神经网络的图卷积层叠加一层以上，再叠加平均池化层，构建一个图神经网络；图卷积层设计为：H
(l+1)
＝σ(((1
‑
α
l
)((D+I)
‑
1/2
(A+I)(D+I)
‑
1/2
)H
(l)
+α
l
H
(1)
)((1
‑
β
l
)I+β
l
W
(l)
))其中，H
(l+1)
表示第(l+1)层的输出，H
...

【专利技术属性】
技术研发人员：徐喜荣，陈姝，李欣子，王子鸣，雷赫曼，黄德根，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：