一种基于双通道注意力加权网络的会话推荐方法及系统技术方案

本发明专利技术提出了一种基于双通道注意力加权网络的会话推荐方法，属于会话推荐技术领域。本发明专利技术基于一次会话中的用户交互序列，其中用户交互序列包括物品名称序列、物品类别序列与用户操作序列，首先根据用户交互序列分别生成物品、类别、操作的高维空间表示；然后，利用注意力机制，从三种表示的结合中分别提取出融合操作信息的用户

【技术实现步骤摘要】
一种基于双通道注意力加权网络的会话推荐方法及系统


[0001]本专利技术涉及会话推荐
，具体涉及一种基于双通道注意力加权网络的会话推荐方法及系统。

技术介绍

[0002]基于会话的推荐系统将匿名用户在一段时间内与物品的交互信息作为一个会话，在有限行为中建模用户的兴趣以捕获用户的偏好，从而预测下一刻目标用户感兴趣的物品。其在知情消费、服务和决策等方面发挥着越来越重要的作用，在天猫、京东等多个线上平台中得到了广泛的应用。
[0003]最近的相关工作大多使用卷积神经网络、图神经网络等，对单一用户操作类型(点击)序列使用物品粒度的注意力机制来建模用户兴趣，预测用户下一次可能感兴趣的物品。

技术实现思路

[0004]申请人通过分析发现现有对单一用户操作类型(点击)序列使用物品粒度的注意力机制来建模用户兴趣，预测用户下一次可能感兴趣物品的这类方法虽被证实有效，但仍存在以下两点问题，从而影响了其用户兴趣建模的准确性与合理性：其一是缺乏对物品类别信息以及多类型操作信息的利用，导致对用户兴趣的建模不够准确；其二是未能同时考虑用户在不同操作类型下表现出的对于物品粒度与类别粒度的不同注意力，使得对用户兴趣建模不合理。为此，本专利技术所要解决的技术问题是，提供一种能分别从物品粒度和类别粒度分析用户与物品的交互行为，同时捕获在物品粒度与类别粒度下用户不同操作的兴趣，实现下一刻用户点击物品的预测的会话推荐方法。
[0005]本专利技术为解决上述技术问题所采用的技术方案是，一种基于双通道注意力加权网络的会话推荐方法，步骤如下：
[0006]步骤S10：根据一次会话中用户交互的物品名称、物品种类以及操作类型形成的用户交互序列，构建物品名称序列、物品类别序列、用户操作序列与对应序列的字典，即物品字典、类别字典与操作字典，并记录此次会话中出现次数最多的物品类别的位置；
[0007]步骤S20：分别初始化三个字典，分别形成对应序列的高维空间表示，利用三个门控循环单元神经网络分别对物品、类别与操作建模，更新物品名称序列、物品类别序列与用户操作序列的高维空间表示；
[0008]步骤S30：将物品名称序列的高维空间表示与用户操作序列的高维空间表示拼接，得到物品
‑
操作表示序列，利用注意力机制从中提取出用户
‑
物品兴趣度；
[0009]步骤S40：将物品类别序列的高维空间表示与用户操作序列的高维空间表示拼接，得到类别
‑
操作表示序列，利用注意力机制从中提取出用户
‑
类别兴趣度；
[0010]步骤S50：建立基于双通道注意力加权的用户兴趣融合机制，融合用户
‑
物品兴趣度与用户
‑
类别兴趣度得到会话全局表示，并结合会话局部表示，形成用户兴趣表征，实现用户下一刻点击物品的预测。
[0011]本专利技术的有益效果是，纳入类别与操作信息，分别从物品粒度和类别粒度分析用户与物品的交互行为，同时捕获在物品粒度与类别粒度下用户不同操作的兴趣，对用户兴趣建模更准确更合理，从而优化物品推荐效果。
附图说明
[0012]图1为本专利技术方法步骤流程图。
具体实施方式
[0013]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0014]请参阅图1，本专利技术提供一种技术方案：
[0015]本专利技术提供如下技术方案：一种基于结构和语义注意力堆叠的会话推荐方法，所述会话推荐方法具体步骤如下：
[0016]步骤1：根据一次会话中用户交互的物品名称、物品种类以及操作类型形成的用户交互序列，构建物品名称序列、物品类别序列、用户操作序列与对应序列的字典，即物品字典、类别字典与操作字典，并记录此次会话中出现次数最多的物品类别的位置；
[0017]步骤1
‑
1，用户交互序列其中m为用户交互的次数，从中分别构建出物品名称序列为物品类别序列为用户操作序列为其中，为物品名称序列I
s
中第k个名称，为物品类别序列C
s
中第k个类别，为用户操作序列中第k个操作，1≤k≤m；
[0018]步骤1
‑
2，在物品类别序列C
s
中，寻找出现次数最多的类别以及该类别对应的最后交互物品记该物品在物品名称序列中的位置为兴趣点位置pos；
[0019]步骤2：分别初始化三个字典，分别形成对应序列的高维空间表示，利用三个门控循环单元神经网络分别对物品、类别与操作建模，更新物品名称序列、物品类别序列与用户操作序列的高维空间表示；
[0020]步骤2
‑
1，采用方差为0.01，均值为0的方式分别对物品字典、类别字典和操作字典初始化，分别得到物品字典、类别字典和操作字典的高维表示DIC
I
，DIC
C
，DIC
B
，分别提取到物品名称序列的高维空间表示物品类别序列的高维空间表示与用户操作序列的高维空间表示I
x
，C
x
，，为物品名称序列中第k个物品的高维表示，为物品类别序列中第k个类别的高维表示，为用户操作序列中第k个操作的高维表示，1≤k≤m，为m
×
d维矩阵，d为高维空间表示的维度；
[0021]步骤2
‑
2，分别使用三个门控循环单元网络建模物品、类别、操作，更新物品名称序
列、物品类别序列与用户操作序列的高维空间表示，计算公式如下：
[0022][0023]其中GRU
I
、GRU
C
、GRU
B
分别表示应用于物品名称序列、物品类别序列和用户操作序列的门控循环单元函数。分别为更新后的第k个物品、类别和操作的高维空间表示；
[0024]步骤3：将物品名称序列的高维空间表示与用户操作序列的高维空间表示拼接，得到物品
‑
操作表示，利用注意力机制从其中提取出用户
‑
物品兴趣度；
[0025]步骤3
‑
1，将物品名称序列的高维空间表示与用户操作序列的高维空间表示在列方向上进行拼接，得到物品
‑
操作表示序列其中Concat为向量列向拼接函数，表示物品
‑
操作表示序列中第k个列向量拼接表示；
[0026]步骤3
‑
2，根据兴趣点位置pos，从物品
‑
操作表示序列IB
e
中，取出物品兴趣点表示
[0027]步骤3
‑
3，提取物品
‑
操作表示序列中每个物品
‑
操作表示对于物品兴趣点表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双通道注意力加权网络的会话推荐方法，其特征在于，包括以下步骤：步骤S10：根据一次会话中用户交互的物品名称、物品种类以及操作类型形成的用户交互序列，构建物品名称序列、物品类别序列、用户操作序列与对应序列的字典，即物品字典、类别字典与操作字典，并记录此次会话中出现次数最多的物品类别的位置；步骤S20：分别初始化三个字典，分别形成对应序列的高维空间表示，利用三个门控循环单元神经网络分别对物品、类别与操作建模，更新物品名称序列、物品类别序列与用户操作序列的高维空间表示；步骤S30：将物品名称序列的高维空间表示与用户操作序列的高维空间表示拼接，得到物品
‑
操作表示序列，利用注意力机制从中提取出用户
‑
物品兴趣度；步骤S40：将物品类别序列的高维空间表示与用户操作序列的高维空间表示拼接，得到类别
‑
操作表示序列，利用注意力机制从中提取出用户
‑
类别兴趣度；步骤S50：建立基于双通道注意力加权的用户兴趣融合机制，融合用户
‑
物品兴趣度与用户
‑
类别兴趣度得到会话全局表示，并结合会话局部表示，形成用户兴趣表征，实现用户下一刻点击物品的预测。2.如权利要求1所述方法，其特征在于，步骤S10具体如下：步骤S101，用户交互序列其中m为用户交互的总次数，从中分别构建出物品名称序列为物品类别序列为用户操作序列为用户操作序列为为物品名称序列I
s
中第k个名称，为物品类别序列C
s
中第k个类别，为用户操作序列中第k个操作，1≤k≤m；步骤S102，在物品类别序列C
s
中，寻找出现次数最多的类别以及该类别对应的最后交互物品记该物品在物品名称序列I
s
中的位置为兴趣点位置pos。3.如权利要求2所述方法，其特征在于，步骤S20具体如下：步骤S201，采用方差为0.01，均值为0的方式分别对物品字典、类别字典和操作字典初始化，分别得到物品字典、类别字典和操作字典的高维表示DIC
I
，DIC
C
，DIC
B
，分别提取到物品名称序列的高维空间表示物品类别序列的高维空间表示与用户操作序列的高维空间表示R为实数域，d为高维空间表示的维度，为物品名称序列中第k个物品的高维表示，为物品类别序列中第k个类别的高维表示，为用户操作序列中第k个操作的高维表示；步骤S202，分别使用三个门控循环单元网络建模物品、类别、操作，更新物品名称序列、物品类别序列与用户操作序列的高维空间表示得到更新后的物品名称序列、物品类别序列和用户操作序列的高维空间表示I
h
、C
h
、B
h
：其中GRU
I
、GRU
C
、GRU
B
分别表示应用于物品名称序列、物品类别序列和用户操作序列的
门控循环单元函数；分别为更新后的第...

【专利技术属性】
技术研发人员：刘峤，赵海睿，郎俊杰，李淳，宋明慧，骆妲，代婷婷，甘洋镭，侯睿，佟飘，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：