基于三通道图神经网络的会话推荐方法技术

本发明专利技术涉及会话推荐技术领域，具体地说，涉及一种基于三通道图神经网络的会话推荐方法，其包括以下步骤：(1)将会话序列数据转换为会话图、超图、全局图数据；(2)图数据经过三个通道的图神经网络学习到三种项目嵌入；三个通道包括会话图通道、超图通道、全局图通道；会话图通道用于捕获会话中项目间的转换关系，超图通道用于捕获会话中项目间的高阶关系，全局图通道用于捕获不同会话中项目间的关系；(3)融合三种通道形成的项目表征获得更完整项目转换信息；(4)经过预测层输出项目的预测概率。本发明专利技术能较佳地进行会话推荐。发明专利技术能较佳地进行会话推荐。发明专利技术能较佳地进行会话推荐。

【技术实现步骤摘要】
基于三通道图神经网络的会话推荐方法


[0001]本专利技术涉及会话推荐
，具体地说，涉及一种基于三通道图神经网络的会话推荐方法。

技术介绍

[0002]近年来互联网信息增长迅速，推荐系统成为了帮助用户缓解信息过载问题的有效方法，在消费、服务和决策制定等方面正发挥着重要作用。大多数现有的推荐方法都是根据用户长期历史交互和用户配置文件进行推荐。但是，在很多服务中，用户标识可能是未知的，或只有用户会话期间的历史行为可用。会话推荐这一新兴的推荐形式弥补了上述的不足。
[0003]由于会话推荐很高的实际价值，已经提出了许多基于会话的推荐方法。马尔科夫链是一个经典的例子，该方法基于前一个行为预测用户的下一个行为，由于马尔科夫链的强独立性假设，过去交互作用的独立组合可能会限制推荐的准确性。基于深度学习迅速发展，许多基于深度学习的推荐方法也应运而生。例如结合递归神经网络方法是通过数据增强和考虑用户行为的时间变化来增强模型。GRU4REC通过使用GRU建立用户短期偏好进行推荐。NARM中使用GRU与注意力机制结合同时学习到顺序行为和用户主要意图对序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于三通道图神经网络的会话推荐方法，其特征在于：包括以下步骤：(1)将会话序列数据转换为会话图、超图、全局图数据；(2)图数据经过三个通道的图神经网络学习到三种项目嵌入；三个通道包括会话图通道、超图通道、全局图通道；会话图通道用于捕获会话中项目间的转换关系，超图通道用于捕获会话中项目间的高阶关系，全局图通道用于捕获不同会话中项目间的关系；(3)融合三种通道形成的项目表征获得更完整项目转换信息；(4)经过预测层输出项目的预测概率。2.根据权利要求1所述的基于三通道图神经网络的会话推荐方法，其特征在于：会话图中，给定一个会话中，给定一个会话表示在会话S中点击的项目v
i
并且会话长度是L；G
s
＝(V
s
,E
s
)表示会话图，将每个项目s
i
∈V
s
作为节点并且相邻的项目(s
i
‑1,s
i
)∈E
s
作为边；G
h
＝(V
h
,E
h
)表示超图，V
h
表示超图中N个不重复的顶点的集合，E
h
表示超图中M个超边的集合；每个超边最少包含两个顶点，其中并且每个超边被赋予一个权值w
hh
，所有的权值构成了一个对角矩阵W∈R
N
×
M
；超图用矩阵H∈R
N
×
M
表示，其中当超边包含顶点v
i
∈V时，H
ih
＝1，否则H
ih
＝0；顶点和超边的度分别为D
ii
和B
hh
，其中，其中D和B是对角线矩阵；全局图用于获取不同会话间项目转换的信息，Gg＝(Vg，Eg)表示全局图，Vg代表所有项目的图节点的集合，Eg表示所有边的集合，每条边对应于所有会话中的两个成对项目。3.根据权利要求2所述的基于三通道图神经网络的会话推荐方法，其特征在于：会话图嵌入的方法为：对于目标项目来说不同的相邻项目对目标项目的重要成度不同，使用注意力机制捕获不同节点间的权重；注意力系数如下所示：其中的s
ij
表示项目vj对项目vi的重要性，表示项目间的关系，h
vi
项目vi的嵌入，h
vj
项目vj的嵌入，r
ij
为vi与vj之间的关系也就是边关系，a∈R
d
表示权重；然后，为了使不同节点间的系数具有可比性，通过softmax函数对注意权重进行归一化，如下式所示：α
ij
＝soft max(s
ij
)a
ij
为归一化后节点vi和vj间的权重；最后将得到的注意力系数和对应的项目线性组合，得到每个节点的输出，公式如下：最后将得到的注意力系数和对应的项目线性组合，得到每个节点的输出，公式如下：表示节点。4.根据权利要求3所述的基于三通道图神经网络的会话推荐方法，其特征在于：超图嵌入的方法为：超图通道用来捕获项目间的高阶关系，将超图卷积定义为：
为l+1层项目嵌入，H
ih
、H
jh
为关联矩阵中的值，w
hh
为加权系数，为l层的项目嵌入；将上式写为矩阵的形式如下：其中，分别是l+1层的项目嵌入和l层的项目嵌入，为节点到超边的信息聚合，并在此之前乘会话序列H查看从超边到节点的聚合信息；在最初的项目嵌入X0经过L层的超图卷积后，将每一层的嵌入求和取平均作为最后的项目嵌入通过位置嵌入将项目的位置信息加入项目嵌入中，P＝[p1,p2,...,p
k
]为可学习的位置嵌入矩阵，k为当前会话的长度；加入位置信息的项目嵌入如下：其中，为是有位置信息的项目嵌入，x
i
为没有位置信息的项目嵌入，p
k
‑
i+1
为项目的位置信息，W1∈R
d
×
2d
和b∈R
d
是可以学习的参数；会话嵌入通过聚合该会话中的项目表示生成；然后增强会话的嵌入表示：的嵌入表示：其中，α
i
为节点对序列的权重，S
h
为项目嵌入的平均值，c为训练可得到的系数，是会话s的嵌入用此会话中所有项目的平均嵌入表示话s的嵌入用此会话中所有项目的平均嵌入表示是会话s中第i个项目的嵌入，f∈R
d
、W2∈R
d
×
d
、...

【专利技术属性】
技术研发人员：杨青，张文祥，王逸丰，张敬伟，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：