【技术实现步骤摘要】
一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法
[0001]本专利技术属于序列推荐
,具体地,涉及一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法。
技术介绍
[0002]随着互联网服务和移动设备使用的不断增长,互联网用户可以轻松访问大量在线产品和服务。尽管这种增长为用户提供了更多可用的选择,但用户也很难从大量候选商品中挑选出最喜欢的商品。为了减少信息过载,满足用户多样化的需求,个性化推荐系统应运而生,并在现代社会中发挥着越来越重要的作用。这些系统可以提供个性化的体验,服务用户的个人需求,具体好处有:(1)帮助用户轻松发现自己感兴趣的产品;(2)为产品提供商创造增加收入的机会。
[0003]在各种互联网服务中,用户按时间顺序访问项目,其中用户将交互的项目与他刚刚访问的那些项目密切相关。此属性有助于完成一项重要的推荐任务——序列推荐,它将用户行为历史视为按交互时间戳排序的交互序列。
[0004]关于序列推荐的最早工作是使用马尔可夫链(Markov chains MCs)来模拟项目之间的一阶转移关系,或者使用马尔可夫决策过程(Markov decision processes,MDP)来处理长期影响。后来,因子化的个性化MCs被提出并扩展到更高阶的版本,其灵感来自并结合了基于通用矩阵分解(matrix factorization,MF)的方法。例如,FPMC(Factorizing Personalized Markov Chains)分解个性化马尔可夫链,以便捕捉长期兴趣和短期偏好。Foss ...
【技术保护点】
【技术特征摘要】
1.一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法,其特征在于:所述方法具体包括以下步骤:步骤1:获得用户个人信息和用户交互序列数据集,将数据集进行预处理并分为训练集和测试集;步骤2:构建基于图神经网络挖掘用户长短期兴趣的序列推荐模型;步骤3:对步骤2所述基于图神经网络挖掘用户长短期兴趣的序列推荐模型进行训练;步骤4:将待推荐用户的个人信息和交互序列输入到步骤3中训练后的基于图神经网络挖掘用户长短期兴趣的序列推荐模型,计算待推荐项目相对于该用户的推荐得分,根据推荐得分将项目推荐给用户。2.根据权利要求1所述方法,其特征在于:在步骤1中,所述数据集包括用户的点击项目和评论数据;所述步骤1具体为:处理数据集中的数据:首先去掉用户交互的项目小于10的用户,去掉项目出现次数小于5的项目数;读取用户对项目的评论:删除没有评论的项目,对于每个用户按照交互过的时间戳来进行重新排序;最后生成PKL文件:数据处理完后,用户交互的系列表示为最后生成PKL文件:数据处理完后,用户交互的系列表示为I表示用户U交互的项目。3.根据权利要求2所述方法,其特征在于:在步骤2中,具体包含如下步骤:步骤2.1:将数据集划分成用户交互的长期序列和短期序列;将最近交互的5个项目为短期序列,其余交互的项目作为长期序列;步骤2.2:获得用户个人信息嵌入表示向量和用户交互序列嵌入表示向量;H
u,l
表示用户u交互的长期序列,L
u,l
表示用户u交互的短期序列,u
i
表示用户i的嵌入,e
i
表示项目i的嵌入;步骤2.3:在长期序列上构建紧凑的项目
‑
项目图,利用用户嵌入分辨噪声,图卷积神经网络更新图中节点信息,采用图池化技术和聚合函数聚合图中信息,得到用户的长期兴趣;步骤2.4:在短期序列上采用两层门控网络来捕获项目特征,采用聚合函数得到用户的短期偏好;步骤2.5:采用门控的方式来自适应的结合用户长期兴趣和短期偏好;公式如下:公式如下:其中g
u,l
为可学习门控参数,σ为激活函数,W
g5
、W
g6
、W
g7
为可学习的权重参数,u
i
为用户嵌入,为用户长期兴趣,为长期兴趣与短期偏好融合后序列表示,为用户短期偏好;步骤2.6:在短期序列上采用双线性函数来捕获项目间的共现模式,得到结果向量
具体公式如下:其中e
i
是项目嵌入,W
r
是可学习权重参数。4.根据权利要求3所述方法,其特征在于:所述步骤2.3中具体为:(1)通过在项目之间做相似度计算,构建紧凑的item
‑
item图,具体公式如下:M
i,j
=cos(w
⊙
e
i
,w
⊙
e
j
...
【专利技术属性】
技术研发人员:韩启龙,刘东升,宋洪涛,李丽洁,马志强,王也,王宇华,
申请(专利权)人:哈尔滨工程大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。