一种基于时间间隔增强的图神经网络推荐方法技术

本发明专利技术提供了一种基于时间间隔增强的图神经网络推荐方法，该方法提出时间间隔增强会话图，Graph Transformer和当前会话中用户的偏好整合表示及预测三个模块以优化用户在当前会话中所隐含的偏好信息，提高对下一个物品点击预测的准确率，其步骤如下：(1)构建具有时间间隔的有向会话图；(2)充分学习每个物品的隐向量表示；(3)生成每个会话的最终嵌入向量；(4)为每个会话的下一次点击物品作出推荐；本发明专利技术将用户点击物品的序列构建为具有时间间隔的关系图；设计一个嵌入时间间隔的Graph Transformer来学习物品之间复杂的交互信息；再使用注意力网络融合用户在整个点击序列过程中的整体行为偏好和最后点击物品的当前兴趣，这样可以有效预测用户下一次点击的物品的准确性。准确性。准确性。

【技术实现步骤摘要】
一种基于时间间隔增强的图神经网络推荐方法


[0001]本专利技术主要涉及的
，具体为一种基于时间间隔增强的图神经网络推荐方法。

技术介绍

[0002]现有的图神经网络推荐方法，如“基于会话的循环神经网络推荐方法”主要的步骤有：(1)将会话中的物品按照用户点击的时间先后顺序输入一个编码器，其中编码器分为全局编码器和局部编码器。(2)全局编码器用一个循环神经网络扫描序列后，用最后一次行为(已聚集当前会话所有物品特征)的隐状态表示用户的序列行为；局部编码器用另一个循环神经网络计算输出每个物品的权重，并以所有隐状态的加权和表示用户长期兴趣特征。(3)将全局编码器和局部编码器得到的特征向量连在一起，并将其转换到与物品嵌入特征一样的大小。(4)利用点积计算节点间彼此的相似度，按计算出的相关性给出预测结果。
[0003]又如“基于会话的图神经网络推荐方法”，主要的步骤有：(1)将所有的会话序列按照用户点击的时间先后顺序构建为有向图。(2)使用图神经网络学习所构图中每一个节点的隐向量表示。(3)通过一个注意力架构模型得到每个会话嵌入向量的最终表示(即用户在当前会话的偏好)。(4)将学习到的用户偏好同所有候选物品进行相似度计算，并给出用户在当前会话中的下一次可能点击物品的预测。
[0004]针对上述中的相关技术，专利技术人认为第一个方法利用全局编码器获得整个会话顺序行为的信息，局部编码器可以自适应地选择当前会话中的重要物品，以捕获用户的主要偏好目的，但是对于行为有限的会话序列，很难从每个会话中准确的估计当前用户的偏好表示，并且忽略了物品之间复杂的转换特性；
[0005]专利技术人认为第二个方法通过将会话序列构图，并通过图神经网络挖掘物品之间潜在的复杂关系，但忽略了用户在点击过程中不同物品之间的时间间隔特性，时间间隔较短的点击行为也应该被视为强烈的兴趣评估信号，而且可以使会话间更具有可辨别性。

技术实现思路

[0006]为了改善其行为有限的会话序列，很难从每个会话中准确的估计当前用户的偏好表示，并且忽略了物品之间复杂的转换特性的问题和忽略了用户在点击过程中不同物品之间的时间间隔特性的问题，本专利技术提供一种基于时间间隔增强的图神经网络推荐方法。
[0007]本专利技术采用如下的技术方案：该方法提出时间间隔增强会话图，Graph Transformer和当前会话中用户的偏好整合表示及预测三个模块以优化用户在当前会话中所隐含的偏好信息，提高对下一个物品点击预测的准确率，其步骤如下：
[0008](1)将每一个会话序列都建模为具有时间间隔的有向会话图，每一个节点(物品)都被嵌入到统一的空间得到初始的节点向量，基于节点向量，每一个会话被建模成一个嵌入向量；
[0009](2)采用Graph Transformer学习物品之间复杂的交互信息得到每一个物品的隐
向量表示；其中，嵌入一种有效的相对位置时间函数，以增强会话序列理解能力；
[0010](3)利用注意力机制将每个会话中用户的整体行为偏好和当前兴趣进行整合生成的最终表示向量；
[0011](4)计算所有候选物品的推荐概率，并给出在该次会话中用户下一次可能点击的不同物品的预测概率。
[0012]进一步的，其中步骤(1)中构建具有时间间隔的有向会话图：(1
‑
1)首先我们先获会话序列中各物品间对应的时间间隔，对于每个会话序列，为充分挖掘用户在点击物品过程中的停留时间间隔信息，我们在用户交互序列过程中引入了时间间隔的概念。
[0013]进一步的，其中步骤(2)中充分学习每个物品的隐向量表示：将时间间隔作为位置嵌入向量与物品的嵌入向量结合起来，增强物品之间的关系并使所构建的会话图具有更强的可区分性。
[0014]进一步的，其中步骤(3)中生成每个会话的最终嵌入向量：将用户的点击序列细化为整体行为偏好和当前偏好，然后使用权重函数将它们合并作为用户在当前会话中的最终偏好嵌入。
[0015]进一步的，其中步骤(4)中为每个会话的下一次点击物品作出推荐：将已经获得会话中用户的最终偏好表示，使用它为每个候选物品计算一个分数来进行推荐。
[0016]与现有技术相比，本专利技术的有益效果为：
[0017]本专利技术首先将用户点击物品的序列构建为具有时间间隔的关系图；设计一个嵌入时间间隔的Graph Transformer来学习物品之间复杂的交互信息；再使用注意力网络融合用户在整个点击序列过程中的整体行为偏好和最后点击物品的当前兴趣，这样可以有效预测用户下一次点击的物品的准确性。
[0018]以下将结合附图与具体的实施例对本专利技术进行详细的解释说明。
附图说明
[0019]图1为本专利技术的时间信息增强图神经网络流程图。
具体实施方式
[0020]请着重参照附图1，本专利技术提供一种基于时间间隔增强的图神经网络推荐方法，该方法提出时间间隔增强会话图，Graph Transformer和当前会话中用户的偏好整合表示及预测三个模块以优化用户在当前会话中所隐含的偏好信息，提高对下一个物品点击预测的准确率，其步骤如下：
[0021](1)将每一个会话序列都建模为具有时间间隔的有向会话图，每一个节点(物品)都被嵌入到统一的空间得到初始的节点向量，基于节点向量，每一个会话被建模成一个嵌入向量；
[0022](2)采用Graph Transformer学习物品之间复杂的交互信息得到每一个物品的隐向量表示；其中，嵌入一种有效的相对位置时间函数，以增强会话序列理解能力；
[0023](3)利用注意力机制将每个会话中用户的整体行为偏好和当前兴趣进行整合生成的最终表示向量；
[0024](4)计算所有候选物品的推荐概率，并给出在该次会话中用户下一次可能点击的
不同物品的预测概率。
[0025]请着重参照附图1，其中步骤(1)中构建具有时间间隔的有向会话图：首先我们先获会话序列中各物品间对应的时间间隔，对于每个会话序列，为充分挖掘用户在点击物品过程中的停留时间间隔信息，我们在用户交互序列过程中引入了时间间隔的概念。
[0026]请着重参照附图1，其中步骤(2)中充分学习每个物品的隐向量表示：将时间间隔作为位置嵌入向量与物品的嵌入向量结合起来，增强物品之间的关系并使所构建的会话图具有更强的可区分性。
[0027]请着重参照附图1，其中步骤(3)中生成每个会话的最终嵌入向量：将用户的点击序列细化为整体行为偏好和当前偏好，然后使用权重函数将它们合并作为用户在当前会话中的最终偏好嵌入。
[0028]请着重参照附图1，其中步骤(4)中为每个会话的下一次点击物品作出推荐：将已经获得会话中用户的最终偏好表示，使用它为每个候选物品计算一个分数来进行推荐。
[0029]具体过程如下：
[0030]设s,i和t分别表示会话序列，会话序列中的物品和每个物品点击时间距离最后一次点击物品的时间间隔。对于每一个会话序列有s＝[i
t1
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间间隔增强的图神经网络推荐方法，其特征在于，该方法提出时间间隔增强会话图，Graph Transformer和当前会话中用户的偏好整合表示及预测三个模块以优化用户在当前会话中所隐含的偏好信息，提高对下一个物品点击预测的准确率，其步骤如下：(1)将每一个会话序列都建模为具有时间间隔的有向会话图，每一个节点(物品)都被嵌入到统一的空间得到初始的节点向量，基于节点向量，每一个会话被建模成一个嵌入向量；(2)采用Graph Transformer学习物品之间复杂的交互信息得到每一个物品的隐向量表示；其中，嵌入一种有效的相对位置时间函数，以增强会话序列理解能力；(3)利用注意力机制将每个会话中用户的整体行为偏好和当前兴趣进行整合生成的最终表示向量；(4)计算所有候选物品的推荐概率，并给出在该次会话中用户下一次可能点击的不同物品的预测概率。2.根据权利要求1所述的一种基于时间间隔增强的图神经网络推荐方法，其特征在于，其中步骤(1)中构建具有时间间...

【专利技术属性】
技术研发人员：王换文，曾雅文，陈浩，
申请(专利权)人：湖南大学，
类型：发明
国别省市：