一种融合相关性信息的图神经网络会话推荐方法技术

本发明专利技术公开了一种融合相关性信息的图神经网络会话推荐方法，属于会话推荐技术领域。本发明专利技术将所有序列中的所有物品转换成无向图再导入到相关信息嵌入模块中，对相关性信息进行建模；同时将每条序列都转换为一张有向图，基于转移关系来捕获物品和物品之间的转移信息，并使用转移信息嵌入模块来对转移信息进行建模。合并相关性信息和转移信息后传递到会话表示模块，获取当前用户交互序列最终的表示。使用编码器处理交互时间戳序列，使用解码器处理交互物品序列，从而融合每次交互行为的具体时序信息以捕获更为细粒度的用户行为模式。本发明专利技术克服了现有方法没有考虑物品与物品的相关性的缺陷，减弱了序列中的噪声带来的影响，提高了推荐效果。提高了推荐效果。提高了推荐效果。

【技术实现步骤摘要】
一种融合相关性信息的图神经网络会话推荐方法


[0001]本专利技术属于会话推荐
，具体涉及一种融合相关性信息的图神经网络会话推荐方法。

技术介绍

[0002]现有的会话推荐方法主要通过常见的序列建模算法(例如马尔科夫链，循环神经网络，图神经网络模型)对用户(可能匿名)历史交互行为序列建模，捕获有效的用户行为模式，从而预测用户未来可能交互的物品，但现有的会话推荐模型的算法仍存在不足之处：现有会话推荐方法仅对了序列中物品和物品之间转移信息进行建模，而忽略了物品之间的相关性信息，这种相关性信息对用户交互序列的建模同样极其重要，仅使用转移信息使得序列建模不仅容易受到序列中噪声的影响，而且对于复杂的用户行为模式也难以得到深入有效的建模。

技术实现思路

[0003]本专利技术提供了一种融合相关性信息的图神经网络会话推荐方法，可用于提高对物品的推荐效果。
[0004]本专利技术采用的技术方案为：
[0005]一种融合相关性信息的图神经网络会话推荐方法，所述方法包括：
[0006]步骤1，构建并训练推荐模型；
[0007]所述推荐模型包括相关性信息模块、转移性信息模块和用户表示模块；
[0008]其中，推荐模型的输入为用户
‑
物品的交互序列[s1,s2,
…
,s
l
…
,s
L
]，s
l
表示第l条交互序列，其中l＝1,2,
…
,L，L表示交互序列的数量；r/>[0009]将所有交互序列中的所有物品构建成一张物品无向图，在物品无向图中，若两个物品在序列中相邻则相连，并定义A表示物品无向图的邻接矩阵，
[0010]定义一个可学习的物品嵌入矩阵E，任意物品i的嵌入信息用e
i
表示；
[0011]将邻接矩阵A加上维度为N
×
N的单位矩阵I
N
，得到矩阵其中，N表示物品无向图的物品数量；
[0012]相关性信息模块采用多层图卷积神经网络获取物品的相关性信息嵌入表示，相关性信息模块(第一层图卷积神经网络)的输入包括：矩阵和初始化的物品嵌入矩阵E，每层图卷积神经网络根据前一层输出的相关性信息嵌入表示更新物品嵌入矩阵E，具体更新公式为：其中，表示物品无向图的度矩阵，分别表示经过第k层、第k+1层图卷积神经网络更新后的相关性信息嵌入表示；
[0013]相关性信息模块输出的最终的所有物品的相关性嵌入表示E
r
为在每一层图卷积网络中得到的嵌入表示的加权和：其中，β
k
表示每一层图卷积神经网络的权重值，E
(0)
表示初始化的物品嵌入矩阵E；
[0014]将每条用户
‑
物品的交互序列的所有物品转换成一张有向图，在有向图中，若两个物品在当前序列中相邻则相连；
[0015]将每条用户
‑
物品的交互序列的有向图和相关性信息模块输出的E
r
作为转移性信息模块的输入，转移性信息模块基于注意力机制，根据计算当前用户
‑
物品的交互序列的任意两个相邻的物品i和j之间的注意系数θ
ij
，其中，Att()代表注意力函数,表示表物品i和j之间的转移关系的权重参数，e
i
,e
j
表示物品i和j的嵌入信息，基于相关性信息模块输出的E
r
确定；
[0016]转移性信息模块再通过softmax函数将权重参数转换为概率形式：其中，表示物品i在当前序列s构成的有向图中的邻居节点的物品集合，k表示集合中的物品编号，θ
ik
表示物品i和k之间的注意系数；
[0017]转移性信息模块最后输出的物品i在当前序列s中的转移性信息嵌入表示为其自身的嵌入表示与其邻居节点的嵌入表示的加权和：其中，表示当前序列s中的物品j的嵌入信息，基于相关性信息模块输出的E
r
确定；
[0018]用户表示模块对当前序列中的每个物品i，将转移性信息模块输出的转移性信息嵌入表示与相关性信息模块输出的相关性嵌入表示e
ri
相加得到每个物品的嵌入表示并通过平均池化操作得到当前序列的全局嵌入表示s
g
：其中，n表示当前序列的物品数；
[0019]用户表示模块基于位置嵌入获取前序列的局部嵌入表示s
l
：
[0020]对于每条交互序列s，有一个相对应的位置嵌入矩阵P＝[p1,p2,
…
,p
i
…
,p
t
]，其中，p
i
表示第i个物品的位置嵌入向量，根据计算交互序列s的物品i的特征向量并根据得到物品i的用户短期兴趣表示，再根据得到局部嵌入表示s
l
，其中，W1、W2、W3表示对应的权重，可学习参数，b表示特征向量的偏置项，c表示用户短期兴趣表示的偏置项，均为可学习参数；
[0021]用户表示模块拼接全局嵌入表示与局部嵌入表示得到当前序列的嵌入表示S＝[s
l
||s
g
]；
[0022]并通过使用当前序列的嵌入表示S和每个物品的嵌入表示求内积来计算当前序列对每个物品的偏好分数：
[0023]基于设置的训练数据集对相关性信息模块、转移性信息模块和用户表示模块中的可学习参数进行深度学习训练，当满足预置的训练结束条件(损失收敛或者达到最大的训练次数)时停止，得到训练好的推荐模型；
[0024]步骤2，基于训练好的推荐模型获取推荐列表：
[0025]使用训练好的推荐模型在待处理数据集进行预测，对于待处理数据集中每一条用户
‑
物品的交互序列，通过推荐模型计算出它对每个物品的偏好分数，将前K(K大于等于1)个最大偏好分数的物品作为推荐列表进行推荐，向当前交互序列所对应的用户进行推送。进一步的，使用了LeakyRelu作为激活函数获取α
ij
：
[0026][0027]其中，
⊙
代表的是向量中对应元素相乘。
[0028]本专利技术提供的技术方案至少带来如下有益效果：
[0029]本专利技术提出了一种基于图神经网络的模型，同时学习物品之间的两种信息：使用注意力机制在序列构成的有向图中学习物品在序列中的转移性信息，从而更好的捕获用户的长期和短期兴趣；同时本专利技术使用了图卷积神经网络，在物品构成的无向图中学习物品之间的相关性信息，克服了现有方法没有考虑物品与物品的相关性的缺陷，减弱了序列中的噪声带来的影响，提高了推荐效果。
附图说明
[0030]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合相关性信息的图神经网络会话推荐方法，其特征在于，包括下列步骤：步骤1，构建并训练推荐模型；所述推荐模型包括相关性信息模块、转移性信息模块和用户表示模块；其中，推荐模型的输入为用户
‑
物品的交互序列[s1,s2,
…
,s
l
…
,s
L
]，s
l
表示第l条交互序列，其中l＝1,2,
…
,L，L表示交互序列的数量；将所有交互序列中的所有物品构建成一张物品无向图，在物品无向图中，若两个物品在序列中相邻则相连，并定义A表示物品无向图的邻接矩阵，定义一个可学习的物品嵌入矩阵E，任意物品i的嵌入信息用e
i
表示；将邻接矩阵A加上维度为N
×
N的单位矩阵I
N
，得到矩阵其中，N表示物品无向图的物品数量；相关性信息模块采用多层图卷积神经网络获取物品的相关性信息嵌入表示，相关性信息模块的输入包括：矩阵和初始化的物品嵌入矩阵E，每层图卷积神经网络根据前一层输出的相关性信息嵌入表示更新物品嵌入矩阵E，具体更新公式为：其中，表示物品无向图的度矩阵，分别表示经过第k层、第k+1层图卷积神经网络更新后的相关性信息嵌入表示；相关性信息模块输出的最终的所有物品的相关性嵌入表示E
r
为在每一层图卷积网络中得到的嵌入表示的加权和：其中，β
k
表示每一层图卷积神经网络的权重值，为可学习参数，E
(0)
表示初始化的物品嵌入矩阵E；将每条用户
‑
物品的交互序列的所有物品转换成一张有向图，在有向图中，若两个物品在当前序列中相邻则相连；将每条用户
‑
物品的交互序列的有向图和相关性信息模块输出的E
r
作为转移性信息模块的输入，转移性信息模块基于注意力机制，根据计算当前用户
‑
物品的交互序列的任意两个相邻的物品i和j之间的注意系数θ
ij
，其中，Att()代表注意力函数,表示表物品i和j之间的转移关系的权重参数，为可学习参数，e
i
,e
j
表示物品i和j的嵌入信息，基于相关性信息模块输出的E
r
确定；转移性信息模块再通过softmax函数将权重参数转换为概率形式：其中，表示物品i在当前...

【专利技术属性】
技术研发人员：杨波，曾耀海，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：