一种基于捕捉用户长短期兴趣异构超图的会话推荐方法技术

本发明专利技术公开了一种基于捕捉用户长短期兴趣异构超图的会话推荐方法，基于用户所有会话中的交互物品序列，给用户推荐下一个感兴趣的物品。本发明专利技术的向前传播部分主要由五个部分组成。第一部分是从所有用户的会话序列中构建包含用户超边和会话超边的异构超图；第二部分是利用异构超图神经网络得到物品向量、会话向量和用户向量；第三部分是根据用户当前会话，基于门循环单元网络得到用户当前兴趣；第四部分是结合用户当前兴趣、会话向量和用户向量，得到用户兴趣；第五部分是根据用户兴趣，给用户推荐物品。推荐物品。推荐物品。

【技术实现步骤摘要】
一种基于捕捉用户长短期兴趣异构超图的会话推荐方法


[0001]本专利技术属于互联网服务
，尤其是涉及一种基于捕捉用户长短期兴趣异构超图的会话推荐方法。

技术介绍

[0002]会话(session)指一段时间内用户交互的物品序列，一般通过用户行为之间的时间间隔进行划分。会话推荐方法(session
‑
based recommendation)是指基于会话中的物品序列，对用户兴趣进行建模，给用户推荐下一个感兴趣的物品。会话推荐方法被分为单会话推荐方法(single
‑
session based recommendation models) 和多会话推荐方法(multi
‑
session based recommendation models)。单会话推荐方法指只利用当前会话中的物品序列，捕捉用户当前兴趣，并进行推荐。多会话推荐方法把用户历史上所有的物品序列，划分成若干个会话，不仅使用当前的会话对用户当前兴趣进行建模，还利用用户之前发生的会话对用户长期兴趣进行建模，本方法是一种多会话推荐方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于捕捉用户长短期兴趣异构超图的会话推荐方法，其特征在于：从所有用户的会话序列中构建包含用户超边和会话超边的异构超图；对于用户u
i
的当前会话前会话下标是会话内物品序列的长度，v
j
是用户u
i
在会话内第j个交互的物品；会话内的所有物品构成异构超图的物品节点，会话构成异构超图中的会话超边且会话超边连接会话内的所有物品；系统中所有会话都采用同样的方式在异构超图中构建会话超边和物品节点；用户u
i
的所有会话序列是将用户u
i
作为异构超图中的用户超边用户超边连接用户u
i
交互过的物品；利用异构超图神经网络得到物品向量、会话向量和用户向量；本方法中，物品根据物品ID被初始化为d维向量，对于物品v
j
,初始向量为异构超图神经网络会经过很多层的信息传递，通过每一层的信息传递，节点学习到距离更远的其他节点信息；经过l层的信息传递后，物品v
j
的向量是为了描述方便，把异构超图中的会话超边和用户超边统一用e
i
表示，而超边e
i
经过l层的信息传递后，向量是异构超图神经网络传递的层数由模型超参数L控制，由异构超图神经网络更新L层后，最终得到物品v
j
的向量是超边e
i
的向量是用户u
i
构成的用户超边是超边的一种，用户u
i
最终的向量表示为会话构成的会话超边是超边的一种，会话最终的向量表示为超边e
i
包含的物品节点集合用B(e
i
)表示，包含物品节点v
j
的用户超边集合用E
u
(v
j
)表示，包含物品节点v
j
的会话超边集合用E
s
(v
j
)表示；以下是异构超图中超边和物品节点的信息传递过程：示；以下是异构超图中超边和物品节点的信息传递过程：其中，函数将超图中物品节点的信息聚集到超边中，函数采用自注意力机制来实现；函数具体公式如下：函数具体公式如下：其中，a1是模型向量，W1是转移矩阵，a1和W1在模型训练时更新；σ是sigmoid激活函数，tanh是tanh激活函数；在计算l层超边e
i
的向量时，给B(e
i
)内的任一物品v
k
计算注意力值α
ik
，α
ik
表示物品v
k
的重要程度；函数将超图中超边的信息聚集到物品节点中，函数包含了两层结构，会话超边和用户超边代表两种类型的语义信息，先分别聚集会话超边和用户超边中的信息，再根据聚集之后的会话超边和用户超边信息和目标节点之间的相关性，将两种语义信息融合并传递给物品节点；具体做法是：采用基于目标物品节点的注意力机制来
聚集用户超边集合E
u
(v
j
)内的信息得到并同时采用基于目标物品节点的注意力机制来聚集会话超边集合E
s
(v
j
)内的信息得到再对两个语义进行选择，给其分配不同的重要性，并进行信息融合，最终得到物品v
j
第l层的向量第l层的向量融合了用户超边集合E
u
(v...

【专利技术属性】
技术研发人员：顾盼，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：