基于图神经网络和评论相似度的会话推荐方法和系统技术方案

本发明专利技术公开了基于图神经网络和评论相似度的会话推荐方法和系统，根据会话中的商品序列以及评论信息，为当前会话的用户推荐目标商品。本发明专利技术将评论信息融入到图神经网络模型中，同时考虑会话中蕴含的商品间依赖关系和文本空间中商品间相似关系。本会话推荐方法主要由四个模块组成：基于评论相似度的全局图模块，根据商品的评论文档得到商品在文本空间的相似度，并依据此相似度构建基于评论的商品全局图；局部图模块，根据当前会话的商品序列，得到在会话中的商品局部图；会话生成模块，结合商品在前两个模块分别得到的商品全局图和商品局部图表示，生成最终会话表示；候选商品预测模块，根据会话表示，预测各个候选商品的得分，推荐目标商品。推荐目标商品。推荐目标商品。

【技术实现步骤摘要】
基于图神经网络和评论相似度的会话推荐方法和系统


[0001]本专利技术涉及人工智能、推荐系统
，具体地说是一种基于图神经网络和评论相似度的会话推荐方法和系统。

技术介绍

[0002]随着电子商务的快速发展，商品数量急剧增加，原有的搜索引擎方式很难帮助用户在海量候选商品中找到最心仪的目标商品，造成了信息超载的问题。推荐系统是解决该问题的一种重要方法，它可以在海量候选商品中准确找到目标商品并推荐给用户。目前，很多在线商业平台弱化了搜索功能，而主要依赖推荐功能，极大地降低了用户使用门槛，例如，淘宝、京东等。推荐系统不仅能为用户提供更多便利，也能为公司带来了巨大的商业价值。然而，由于技术和隐私的原因，在很多现实商业推荐场景中，无法获得足够的历史数据和用户资料；即便解决了技术和隐私问题，在电子商务网站中，用户的行为往往表现出基于会话的特征。这严重限制了传统的推荐系统的应用，其难以做出准确的预测。在这种情况下，人们迫切需要推荐系统能够在短暂的用户会话中准确地捕捉到用户的意图，从而做出正确的商品推荐。
[0003]在本专利技术中，会话是指一次购物事件中用户交互的商品序列。在对商品序列进行切分以构建会话时，通常以用户行为之间的时间间隔进行划分；另外，也可以将一段时间(一天、几天或者一周内)的交互行为看作一个会话。会话的定义方式使得会话推荐系统既可以捕捉用户的短期兴趣，又可以捕捉会话中商品之间的依赖关系。
[0004]近年来，许多神经网络模型被应用于会话推荐系统，其中基于循环神经网络和图神经网络的方法表现出良好的性能。基于循环神经网络的会话推荐将会话数据视为时间维度上的单向序列，然而这种假设是不严谨的。例如，在电影购物场景中，用户购买的大部分电影没有时间上的依赖性；主要的演员、导演和电影类型往往主导着用户的购买意向。而基于图神经网络的方法在定义商品关系时只基于商品共同出现的频率或转移概率，借力于图结构的灵活性，其缓解了循环神经网络会话推荐的严格时间顺序依赖问题；但是，其没有考虑到在现实购物场景中，一个会话可能包含多种用户意图。这使得现有的方法无法准确捕捉会话中商品之间的复杂依赖关系。综上所述，现有的方法无法对商品之间的关系以及用户偏好准确建模，难以取得令人满意的推荐效果。

技术实现思路

[0005]针对现有的会话推荐方法的不足，本专利技术提出基于图神经网络和评论相似度的会话推荐方法和系统。该方法和系统实现了一种融合评论信息的图注意力网络结构，评论信息可以帮助模型从用户视角和文本空间共同捕捉商品的深层特征，而图神经网络可以帮助模型聚合相关程度高的邻居商品，消除无关商品的干扰。本专利技术提出了融合评论信息的图注意力网络；该结构可以利用购买过程中产生的评论信息，来构造全局视角下商品之间的依赖关系，挖掘文本空间中商品之间的相似度关系；其核心思想是通过余弦相似度和商品
的评论文档，计算商品在文本空间的相似度，依据该相似度在商品之间构建关联边，得到商品在文本空间中依赖关系的图结构；随着网络中跳数的增加，该结构可以捕捉更深层次的商品特征，优化商品之间关联边的权重。本专利技术为每个会话建立一个会话图，定义了四种商品之间的关联边，更加精准地从局部视角捕捉会话内部之间商品的转移关系，从而提高模型的整体性能。
[0006]本专利技术的技术任务是按以下方式实现的，基于图神经网络和评论相似度的会话推荐方法，该方法具体如下：
[0007]构建基于评论相似度的全局图模块根据商品的评论文档得到商品在文本空间的相似度，并依据此相似度构建基于评论的商品全局图；
[0008]构建局部图模块，根据当前会话的商品序列，得到在会话中的商品局部图；
[0009]构建会话生成模块，结合商品在前两个模块分别得到的商品全局图和商品局部图表示，生成最终会话表示；
[0010]构建候选商品预测模块，根据会话表示，预测各个候选商品的得分，为用户推荐合适的目标商品。
[0011]作为优选，基于评论相似度的全局图模块的构建过程如下：
[0012]区分邻居重要性：以商品的初始表示以及预处理获得的全局图信息，即邻居及其相应关联边权重，作为输入；通过全局图信息检索出商品所对应的邻居商品初始表示，对邻居商品初始表示和邻居商品对应的关联边权重进行点乘；最后送入ReLU激活函数得到邻居商品的更新表示，具体公式如下：
[0013][0014][0015]其中，e
ij
为商品v
i
与邻居商品v
j
之间的关联边权重；为归一化后的关联边权重；exp()是以e为底的指数函数；为商品v
i
在全局图中的邻居商品v
j
的初始表示；为全局图中邻居商品v
j
的更新表示；为商品v
i
在全局图中的邻居商品集合，商品v
k
属于此邻居集合与商品v
i
的并集；
[0016]获取新权重：获得邻居商品的更新表示后，使用余弦相似度的方式计算商品与每个邻居商品的新权重；利用权重矩阵W
dim
来学习商品向量中不同维度的区别；最后以加权求和的方式输出全局图中每个商品的邻居商品复合表示，具体公式如下：
[0017][0018][0019][0020]其中为会话中的商品v
i
的表示；为商品v
i
在全局图中的邻居商品v
j
的更新
表示，来自于公式(2)；cosine()为余弦相似度；π(v
i
,v
j
)为商品v
i
与邻居商品v
j
之间的余弦相似度；exp()是以e为底的指数函数；为归一化后的相似度；为全局图中商品v
i
的邻居商品复合表示，其中与公式(1)中的定义相同；
[0021]获得全局图中商品的最终表示：以会话中的本地商品的初始表示和全局图中邻居商品的复合表示为输入，利用软注意力的方式获得全局图中商品的最终表示，即全局图商品表示，具体公式如下：
[0022][0023][0024]其中，为本地商品v
i
的初始表示；为可学习的权重矩阵；σ为sigmoid激活函数；为全局图中商品v
i
的邻居商品复合表示；ReLU为激活函数；为商品v
i
在基于评论相似度的全局图模块的输出，即全局图商品表示。
[0025]更优地，所述局部图模块的构建过程具体如下：
[0026]学习邻居权重矩阵：以会话内部的本地商品的初始表示以及局部图关联边信息为输入；首先定义四种不同的权重矩阵，以学习定义局部图中所输出的四种有向边，并利用点乘的方式得到不同邻居商品对本地商品的重要性，得到融合局部图关联边信息的邻居权重矩阵，具体公式如下：
[0027][0028]其中，为本地商品v
i
的初始表示；为局部图中商品v
i
的邻居商品v
j
的初始表示；
...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络和评论相似度的会话推荐方法，其特征在于，该方法具体如下：构建基于评论相似度的全局图模块，根据商品的评论文档得到商品在文本空间的相似度，并依据此相似度构建基于评论的商品全局图；构建局部图模块，根据当前会话的商品序列，得到在会话中的商品局部图；构建会话生成模块，结合商品在前两个模块分别得到的商品全局图和商品局部图表示，生成最终会话表示；构建候选商品预测模块，根据会话表示，预测各个候选商品的得分，为用户推荐合适的目标商品。2.根据权利要求1所述的基于图神经网络和评论相似度的会话推荐方法，其特征在于，所述基于评论相似度的全局图模块的构建过程具体如下：区分邻居重要性：以商品的初始表示以及预处理获得的全局图信息，即邻居及其相应关联边权重，作为输入；通过全局图信息检索出商品所对应的邻居商品初始表示，对邻居商品初始表示和邻居商品对应的关联边权重进行点乘；最后送入ReLU激活函数得到邻居商品的更新表示，具体公式如下：的更新表示，具体公式如下：其中，e
ij
为商品v
i
与邻居商品v
j
之间的关联边权重；为归一化后的关联边权重；exp()是以e为底的指数函数；为商品v
i
在全局图中的邻居商品v
j
的初始表示；为全局图中邻居商品v
j
的更新表示；为商品v
i
在全局图中的邻居商品集合，商品v
k
属于此邻居集合与商品v
i
的并集；获取新权重：获得邻居商品的更新表示后，使用余弦相似度的方式计算商品与每个邻居商品的新权重；利用权重矩阵W
dim
来学习商品向量中不同维度的区别；最后以加权求和的方式输出全局图中每个商品的邻居商品复合表示，具体公式如下：个商品的邻居商品复合表示，具体公式如下：个商品的邻居商品复合表示，具体公式如下：其中为会话中的商品v
i
的表示；为商品v
i
在全局图中的邻居商品v
j
的更新表示，来自于公式(2)；cosine()为余弦相似度；π(v
i
,v
j
)为商品v
i
与邻居商品v
j
之间的余弦相似度；exp()是以e为底的指数函数；为归一化后的相似度；为全局图中商品v
i
的邻居商品复合表示，其中与公式(1)中的定义相同；获得全局图中商品的最终表示：以会话中的本地商品的初始表示和全局图中邻居商品
的复合表示为输入，利用软注意力的方式获得全局图中商品的最终表示，即全局图商品表示，具体公式如下：示，具体公式如下：其中，为本地商品v
i
的初始表示；为可学习的权重矩阵；σ为sigmoid激活函数；为全局图中商品v
i
的邻居商品复合表示；ReLU为激活函数；为商品v
i
在基于评论相似度的全局图模块的输出，即全局图商品表示。3.根据权利要求1所述的基于图神经网络和评论相似度的会话推荐方法，其特征在于，所述局部图模块的构建过程具体如下：学习邻居权重矩阵：以会话内部的本地商品的初始表示以及局部图关联边信息为输入；首先定义四种不同的权重矩阵，以学习定义局部图中所输出的四种有向边，并利用点乘的方式得到不同邻居商品对本地商品的重要性，得到融合局部图关联边信息的邻居权重矩阵，具体公式如下：其中，为本地商品v
i
的初始表示；为局部图中商品v
i
的邻居商品v
j
的初始表示；
⊙
表示点乘；代表商品v
i
与商品v
j
之间关联边的权重向量，对应着局部图中四种不同的边，即包含a
in
、a
out
、a
in
‑
out
和a
self
，同理；LeakyReLU为激活函数；为商品v
i
在局部图中的邻居集合，商品v
k
属于此邻居集合与商品v
i
的并集；exp()是以e为底的指数函数；α
ij
表示邻居商品v
j
对本地商品v
i
的重要性；获得局部图的商品表示：以会话内部的本地商品的初始表示以及公式(8)学习的邻居权重矩阵为输入；通过加权求和来获得局部图商品表示，具体公式如下：其中同公式(8)；α
ij
为公式(8)的输出；同公式(8)；为商品v
i
在局部图模块的输出，即局部图商品表示。4.根据权利要求1所述的基于图神经网络和评论相似度的会话推荐方法，其特征在于，所述会话生成模块的构建过程具体如下：以基于评论相似度的全局图模块获得的全局图商品表示以及局部图模块获得的局部图商品表示为输入；利用通道注意力得到融合商品表示；根据学习到的融合商品表示，利用软注意力的方式生成融合位置信息的会话表示；具体如下：融合商品表示：以基于评论相似度的全局图模块获得的全局图商品表示以及局部图模块获得的局部图商品表示为输入；通过通道注意力机制对全局图商品表示和局部
图商品表示计算权重，最终得到融合商品表示；具体公式如下：图商品表示计算权重，最终得到融合商品表示；具体公式如下：图商品表示计算权重，最终得到融合商品表示；具体公式如下：图商品表示计算权重，最终得到融合商品表示；具体公式如下：图商品表示计算权重，最终得到融合商品表示；具体公式如下：其中为基于评论相似度的全局图模块获得的全局图商品表示，来自公式(7)；为局部图模块获得的局部图商品表示，来自公式(9)；dropout()表示dropout函数，随机丢掉某些特征；||表示两个矩阵在新的维度上进行拼接；为定义的多通道商品表示；ReLU()为激活函数；为可学习的权重矩阵；σ为sigmoid激活函数；为全局和局部两个通道的可学习权重；为通道注意力机制输出的融合商品表示；生成会话表示：以上一步的融合商品表示为输入；为了体现不同商品对下一次预测的不同重要性，设置一个可学习的位置表示矩阵P＝[p1,p2,...,p
l
]，其中是位置i的位置向量，而l是当前会话的长度；通过平均池化得到均值会话表示；通过软注意力来学习融入位置信息的商品表示对于当前会话的重要性，最后加权求和得到最终会话表示；具体公式如下：公式如下：公式如下：公式如下：其中，为公式(14)输出的商品v
i
...

【专利技术属性】
技术研发人员：鹿文鹏，张骞，邵珠峰，王荣耀，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：