【技术实现步骤摘要】
增强图上下文顺序的会话推荐方法
[0001]本专利技术涉及会话推荐
，具体地说，涉及一种增强图上下文顺序的会话推荐方法。
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]由于其很高的实际价值，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...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.增强图上下文顺序的会话推荐方法，其特征在于：包括以下步骤：(1)将序列数据转换为图数据；(2)图数据通过图神经网络学习全局和会话两个层次的嵌入；(3)将两个层次的嵌入结合并加入位置信息；(4)通过自注意力捕获项目间的顺序信息；(5)用软注意力结合项目间的复杂转化和项目间的顺序信息，生成序列表征后预测用户下一个感兴趣的项目的概率。2.根据权利要求1所述的增强图上下文顺序的会话推荐方法，其特征在于：步骤(1)中，图数据包括会话图和全局图；会话图中，给定一个会话图数据包括会话图和全局图；会话图中，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；让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；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所述的增强图上下文顺序的会话推荐方法，其特征在于：全局嵌入的方法为：每个项目都根据会话感知注意产生的评分进行线性组合，具体如下：h为注意力分数，h
vj
为项目vj嵌入，π(vi,vj)用来计算不同邻居的权重；与当前会话越接近的项目越重要对应的权重越大；π(vi,vj)具体如下所示：π(vi,vj)＝softmax(π(v
i
,v
j
))其中，用LeakyRelu作为激活函数，
⊙
表示对应位置元素相乘，‖表示链接操作，w
ij
∈R1是全局会话图中每条边的权重，W1和q1是可训练的参数，s是目标会话的特征，通过计算当前会话的平均得到的，然后通过softmax函数将与vi连接的所有相邻的项目的系数归一化；根据此注意力可以得出那些相邻的项目可以得到关注；最后将目标项目信息和与目标项目临近项目的信息进行聚合，此过程通过一个非线性转换完成，具体如下：h
v
为项目表示，为项目表示与邻居表示聚合后的表示，Relu是激活函数，W2∈R
d
×
2d
是可训练参数；为了获取更高阶的信息我们将单层的聚合器扩展到多层，上一步中的公式表述为如下：h
(k
‑
1)
是先前的步骤生成的项目v的表达，前一层的项目嵌入，Agg为聚合操作，
聚合后的k阶项目表示，一个项目的k阶表示是由其初始表示和相邻k跳项目混合而成的。4.根据权利要求3所述的增强图上下文顺序的会话推荐方法，其特征在于：会话嵌入的方法为：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，通过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
技术研发人员：杨青，张文祥，王对强，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：
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。