基于图神经网络的推荐模型训练方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，尤其涉及一种基于图神经网络的推荐模型训练方法、装置、设备及介质。该基于图神经网络的推荐模型训练方法包括获取基于用户在业务生命周期中的历史行为数据所构建的拓扑图，并基于所述拓扑图，构建第一邻接矩阵；基于所述多个业务阶段，构建多个阶段转移区间；基于所述各图节点之间的转移关系以及所述图节点对应的节点业务阶段，对阶段转移区间进行初始化，得到第二邻接矩阵；拼接所述第一邻接矩阵与所述第二邻接矩阵，得到目标邻接矩阵；基于所述目标邻接矩阵以及所述拓扑图进行图神经网络训练，获取目标推荐模型。该基于图神经网络的推荐模型训练方法可有保证模型推荐的准确率。法可有保证模型推荐的准确率。法可有保证模型推荐的准确率。

【技术实现步骤摘要】
基于图神经网络的推荐模型训练方法、装置、设备及介质


[0001]本专利技术涉及人工智能
，尤其涉及一种基于图神经网络的推荐模型训练方法、装置、设备及介质。

技术介绍

[0002]目前，基于传统的基于会话的推荐方法主要集中于循环神经网络(RNN)和马尔可夫链，但是存在以下缺陷：(1)当一个会话序列中用户的行为数量十分有限时，RNN很难产生质量较高的用户特征；(2)马尔可夫链较依赖数据独立性的假设；(3)会话中item实体(例如物品)之间的转移模式在会话推荐中十分重要，但RNN和马尔可夫过程只对相邻的两个item实体的单向转移关系进行建模，而忽略了会话中其他的item(即上下文)。
[0003]为解决上述问题，目前提出一种基于图神经网络进行会话建模方法，该方法中将会话序列建模为图结构数据，并使用图神经网络捕获复杂的项目物品(集item)间转换，每一个会话利用注意力机制将整体偏好与当前偏好结合进行表示，故该种方式并不依赖用户的特征表示，完全只基于会话内部的潜在向量获得Embedding，以基于该Embedding进行预测。但该种建模方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的推荐模型训练方法，其特征在于，包括：获取基于用户在业务生命周期中的历史行为数据所构建的拓扑图，并基于所述拓扑图，构建第一邻接矩阵；其中，所述第一邻接矩阵用于描述所述拓扑图中各图节点之间的转移关系；所述业务生命周期对应多个业务阶段；基于所述多个业务阶段，构建多个阶段转移区间；基于所述各图节点之间的转移关系以及所述图节点对应的节点业务阶段，对所述阶段转移区间进行初始化，得到第二邻接矩阵；其中，所述第二邻接矩阵用于描述在每一所述阶段转移区间下各图节点之间的阶段转移关系；所述节点业务阶段为所述图节点对应的行为发生时的业务阶段；拼接所述第一邻接矩阵与所述第二邻接矩阵，得到目标邻接矩阵；基于所述目标邻接矩阵以及所述拓扑图进行图神经网络训练，获取目标推荐模型。2.如权利要求1所述基于图神经网络的推荐模型训练方法，其特征在于，所述目标推荐模型包括依次连接的特征提取层、注意力层、拼接层、全连接层以及分类层；所述基于所述目标邻接矩阵以及所述拓扑图进行图神经网络训练，获取目标推荐模型，包括：初始化目标推荐模型；其中，所述全连接层的初始模型参数为目标图节点对应的行为发生时间与当前时间的间隔时间；所述目标图节点为所述拓扑图中距离当前时间最近的图节点；基于所述目标邻接矩阵以及所述拓扑图，对初始化后的所述目标推荐模型进行图神经网络训练，得到所述目标推荐模型。3.如权利要求2所述基于图神经网络的推荐模型训练方法，其特征在于，在所述初始化目标推荐模型之前，所述基于图神经网络的推荐模型训练方法还包括：对目标时间区间进行分箱处理，得到多个分箱块；其中，每一所述分箱块对应一分箱特征；计算所述目标图节点对应的行为发生时间与当前时间的间隔时间；确定与所述间隔时间对应的分箱块，并将所述分箱块对应的所述分箱特征作为所述全连接层的初始模型参数，以初始化所述全连接层。4.如权利要求3所述基于图神经网络的推荐模型训练方法，其特征在于，所述基于所述目标邻接矩阵以及所述拓扑图，对初始化后的所述目标推荐模型进行图神经网络训练，得到所述目标推荐模型，包括：通过初始化后的所述特征提取层基于所述目标邻接矩阵以及所述拓扑图，提取每一图节点对应的节点特征；通过初始化后的所述注意力层计算所述拓扑图中的目标图节点与其他每一候选图节点之间的注意力值，并基于每一所述候选图节点对应的注意力值与所述节点特征，计算所述拓扑图的全局特征；通过初始化后的所述拼接层拼接所述节点特征与所述全局特征，得到拼接特征；通过初始化后的所述全连接层融合所述拼接特征、节点特征以及所述全连接层的模型参数，得到融合特征；基于所述融合特征进行图神经网络训练，得到所述目标推荐模型。...

【专利技术属性】
技术研发人员：王晶，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：