一种基于二阶聚合的图卷积循环神经网络的会话推荐方法技术

本发明专利技术公开了一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，包含以下步骤：步骤S0,根据会话序列构建有向会话图，所述会话图中每个节点代表一个点击项；步骤S1,对每一个点击项进行编码，获得各点击项的低维嵌入向量；步骤S2，将各点击项的低维嵌入向量输入到融合二阶协同信号的图卷积网络及循环神经网络中获得各点击项的潜在向量；步骤S3，根据各点击项的潜在向量学习获得会话的潜在向量；步骤S4，将各点击项的潜在向量和会话的潜在向量相乘，输入至softmax层得到预测点击项。本发明专利技术的一种基于二阶聚合的图卷积循环神经网络的会话推荐方法抗噪声能力强、准确性高。准确性高。准确性高。

【技术实现步骤摘要】
一种基于二阶聚合的图卷积循环神经网络的会话推荐方法


[0001]本专利技术属于深度学习
，更具体地，涉及基于二阶聚合的图卷积循环神经网络的会话推荐方法。

技术介绍

[0002]推荐系统已经被广泛应用于解决信息过载问题，并为用户推荐其可能感兴趣的内容，但是有时无法获取用户明确的喜好或者是评级打分等交互信息，甚至用户的个人身份可能都是未知的，只有当前正在进行的会话期间的用户历史点击行为，这就带来了一种冷启动问题，因此在一个会话中对有限行为进行建模并进行相应的内容推荐是有重要意义的。
[0003]马尔科夫链根据用户的前一个行为预测用户下一个行为进行会话推荐取得了一定的效果，但是仅仅只是将信息独立组合进行推荐，会话数据间的依赖性不能得到处理。
[0004]随着深度学习的引入，循环神经网络(RNN)的方法利用用户会话点击序列的输入生成推荐结果能够处理会话数据间的依赖性，但是会话间的点击项关系转换依赖性有待加强，对于会话图节点分布结构处理等问题仍然不能得到解决。
[0005]近年来，图卷积神经网络逐渐应用于推荐系统中，利用拓扑图传播聚合节点信息，尤其对图结构的学习推荐具有很好地优势，在会话推荐中的应用有待进一步研究。
[0006]图卷积神经网络根据图的性质进行卷积和池化，广泛应用于对图数据的处理，以获取会话图节点分布结构信息。但是目前大多数模型的图卷积层内部只利用一阶邻居的信号更新节点嵌入，容易受到噪声的影响，推荐的精确性有待提高。

技术实现思路

[0007]为了解决上述问题，本专利技术提供一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，该方法抗噪声能力强、准确性高。
[0008]为了实现以上目的，本专利技术采用的一种技术方案如下：
[0009]一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，包含以下步骤：
[0010]步骤S0，根据会话序列构建有向会话图，所述会话图中每个节点代表一个点击项；
[0011]步骤S1，对每一个点击项进行编码，获得各点击项的低维嵌入向量；
[0012]步骤S2，将各点击项的低维嵌入向量输入到融合二阶协同信号的图卷积网络及循环神经网络中获得各点击项的潜在向量；
[0013]步骤S3，根据各点击项的潜在向量学习获得会话的潜在向量；
[0014]步骤S4，将各点击项的潜在向量和会话的潜在向量相乘，输入至softmax层得到预测点击项。
[0015]进一步地，所述点击项的潜在向量构建过程如下：
[0016]将各点击项的低维嵌入向量输入到融合二阶协同信号的图卷积网络获得各点击项的嵌入向量，接着将各点击项的嵌入向量输入循环神经网络中获得点击项的潜在向量。
[0017]进一步地，所述点击项的嵌入向量构建过程如下：
[0018]步骤S20，堆叠L个图卷积层，获得点击项的第l层二阶协同信号
[0019][0020][0021]其中，N为点击项E
i
的所有2阶相邻点击项的集合，为点击项E
j
经过相邻点击项E
k
到点击项E
i
的第l层二阶协同信号，P
i，k，j
是图卷积网络的二阶协同信号强度系数，分别表示点击项E
i
、E
j
的第l
‑
1层嵌入向量；
[0022]步骤S21，利用点击项的第l层二阶协同信号和l
‑
1层嵌入向量对点击项的嵌入向量进行更新：
[0023][0024]其中，F
l
代表所有点击项的第l层嵌入向量构建的矩阵，F
l
‑1代表所有点击项的第l
‑
1 层嵌入向量构建的矩阵；ReLU(
·
)为激活函数；运算符表示矩阵的连接操作；S
l(1)
表示所有点击项的第l层一阶协同信号构建的矩阵；S
l(2)
表示所有点击项的第l层二阶协同信号构建的矩阵；表示第l层待学习的权重矩阵。
[0025]进一步地，所述点击项的潜在向量h
i
构建操作如下：
[0026][0027][0028][0029][0030]其中，Z
i
、R
i
分别是重置门和更新门，代表要舍弃和保留的信息；σ(
·
)表示sigmoid函数；M
z
、M
r
、M
h
∈R
2d
×
d
；U
z
、U
r
、U
h
∈R
d
×
d
是通过模型学习后得到的参数；h
′
i
为候选隐藏状态，tan h为激活函数，
⊙
是按元素乘法符，i∈{1，2，...，n}，n是单个会话中所有点击项的总数。
[0031]进一步地，步骤S3包含以下步骤：
[0032]步骤S30，根据各点击项的潜在向量h
i
相加获取全局向量h
g
：
[0033]步骤S31，将全局向量h
g
和局部向量h
n
进行拼接然后进行线性变换得到会话的潜在向量 h
c
：h
c
＝W
c
[h
g
；h
n
]；
[0034]其中，W
c
是通过模型学习得到的参数矩阵。
[0035]进一步地，所述图卷积的层数L＝3。
[0036]本专利技术的上述技术方案相比现有技术具有以下优点：
[0037]1、在图卷积层引入二阶协同信号和堆叠多个图卷积层，用来减少点击项嵌入时噪声的影响，同时提高学习点击项嵌入时的准确性；当L＝3时准确性最高。
[0038]2、循环神经网络层获取用户会话的时序信息和增强会话数据间的依赖性，引入全局和局部向量去除原始嵌入向量空间中的一些噪音。
附图说明
[0039]图1为本专利技术一实施例中基于二阶聚合的图卷积循环神经网络的会话推荐方法的流程图。
具体实施例
[0040]下面将结合本专利技术实施例的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0041]如图1所示，一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，包含以下步骤：
[0042]步骤S0，根据会话序列构建有向会话图，所述会话图中每个节点代表一个点击项；此时点击项集合E＝{E1，E2，...E
n
}；
[0043]步骤S1，对每一个点击项进行编码，获得各点击项的低维嵌入向量e<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，其特征在于，包含以下步骤：步骤S0，根据会话序列构建有向会话图，所述会话图中每个节点代表一个点击项；步骤S1，对每一个点击项进行编码，获得各点击项的低维嵌入向量；步骤S2，将各点击项的低维嵌入向量输入到融合二阶协同信号的图卷积网络及循环神经网络中获得各点击项的潜在向量；步骤S3，根据各点击项的潜在向量学习获得会话的潜在向量；步骤S4，将各点击项的潜在向量和会话的潜在向量相乘，输入至softmax层得到预测点击项。2.根据权利要求1所述的一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，其特征在于，所述点击项的潜在向量构建过程如下：将各点击项的低维嵌入向量输入到融合二阶协同信号的图卷积网络获得各点击项的嵌入向量，接着将各点击项的嵌入向量输入循环神经网络中获得点击项的潜在向量。3.根据权利要求2所述的一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，其特征在于，所述点击项的嵌入向量构建过程如下：步骤S20，堆叠L个图卷积层，获得点击项的第l层二阶协同信号步骤S20，堆叠L个图卷积层，获得点击项的第l层二阶协同信号步骤S20，堆叠L个图卷积层，获得点击项的第l层二阶协同信号其中，N为点击项E
i
的所有2阶相邻点击项的集合，为点击项E
j
经过相邻点击项E
k
到点击项E
i
的第l层二阶协同信号，P
i，k，j
是图卷积网络的二阶协同信号强度系数，分别表示点击项E
i
、E
j
的第l
‑
1层嵌入向量；步骤S21，利用点击项的第l层二阶协同信号和l
‑
1层嵌入向量对点击项的嵌入向量进行更新：其中，F
l
代表所有点击项的第l层嵌入向量构建的矩阵，F
l
‑1代表所有点击项的第l
‑
1层嵌入向量构建的矩阵；ReLU(
·
)为激活函数；运算符表示矩阵的连接操作；S
...

【专利技术属性】
技术研发人员：王则林，刘欣珂，张玮业，智应颍，
申请(专利权)人：南通大学，
类型：发明
国别省市：