一种基于时间感知的图神经网络会话推荐方法及系统技术方案

本发明专利技术属于大数据会话推荐技术领域，提供一种基于时间感知的图神经网络会话推荐方法及系统。该方法包括，获取会话序列，根据会话序列中相邻项目之间的出现次数和时间间隔，分别构建以出现次数为主的第一会话图和以时间间隔为主的第二会话图；学习第一会话图中复杂项目转换关系，生成第一项目表示向量；捕获第二会话图中多跳项目的转换关系，通过权重选择生成第二项目表示向量；基于第一项目表示向量和第二项目表示向量，分别引入软注意力机制区分不同项目的重要性，生成第一全局嵌入向量和第二全局嵌入向量；采用门控注意力机制对第一全局嵌入向量和第二全局嵌入向量进行融合，学习用户的全局兴趣偏好，得到用户偏好表示向量，得到用户会话推荐。得到用户会话推荐。得到用户会话推荐。

【技术实现步骤摘要】
一种基于时间感知的图神经网络会话推荐方法及系统


[0001]本专利技术属于大数据会话推荐
，尤其涉及一种基于时间感知的图神经网络会话推荐方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]以往的基于会话推荐的研究主要集中在通过递归神经网络(Recursive Neural Network，RNN)捕获连续项目之间的序列转换，或通过图神经网络(Graph Neural Network，GNN)建模非相邻项目之间的复杂转换。虽然这些工作在会话推荐任务上取得了令人鼓舞的表现，但存在以下两方面的问题：第一，没有考虑项目之间的时间间隔对用户兴趣的影响。一般情况下，以往的推荐方法会丢弃时间戳，只保留项目的顺序，即这些方法隐含地假设序列中所有相邻项的时间间隔都是一样的，但这往往是不切实际的。第二，没有将时间信息与序列模式结合来共同推荐。用户兴趣转移程度不仅体现在一个会话内相邻项目之间的出现次数，也体现在相邻项目之间的时间间隔长短，即用户在浏览下一个物品时停留在之前物品上的时间。

技术实现思路

[0004]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于时间感知的图神经网络会话推荐(Time
‑
aware graph neural networks for session
‑
based recommendation,T
‑
SBR)方法及系统，其探索了时间相关的信息对用户兴趣的影响，构建了以出现次数为主的项目图和以时间间隔为主的项目图，并分别通过门控图神经网络(Gated Graph Neural Network，GGNN)和图卷积网络(Graph Convolutional Network，GCN)来学习对应项目图的项目表示。此外，引入软注意力机制和门控注意力机制来学习用户的全局兴趣偏好，从而更准确地把握用户的兴趣和意图，进一步提高推荐方法的性能。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]本专利技术的第一个方面提供一种基于时间感知的图神经网络会话推荐方法。
[0007]一种基于时间感知的图神经网络会话推荐方法，包括：
[0008]获取会话序列，根据会话序列中相邻项目之间的出现次数和时间间隔，分别构建以出现次数为主的第一会话图和以时间间隔为主的第二会话图；
[0009]学习第一会话图中复杂项目转换关系，生成第一项目表示向量；捕获第二会话图中多跳项目的转换关系，通过权重选择生成第二项目表示向量；
[0010]基于第一项目表示向量和第二项目表示向量，分别引入软注意力机制区分不同项目的重要性，分别生成第一全局嵌入向量和第二全局嵌入向量；
[0011]采用门控注意力机制对第一全局嵌入向量和第二全局嵌入向量进行融合，学习用户的全局兴趣偏好，得到用户偏好表示向量；
[0012]基于用户偏好表示向量，得到用户会话推荐。
[0013]进一步地，若会话序列为历史会话序列，还包括训练过程：利用用户偏好表示向量和已知的候选项集进行内积操作，构建softmax函数；根据softmax函数计算的损失函数，采用反向传播算法训练学习参数。
[0014]更进一步地，在训练完学习参数之后还包括，将得到的用户会话推荐与实际的用户会话行为进行比对，反馈更新底层数据信息，优化网络模型的数据权重。
[0015]进一步地，在训练过程前，包括对会话序列进行预处理，包括数据清洗、缺失数据补全、数据定义以及规范化处理。
[0016]进一步地，采用门控神经网络学习第一会话图中复杂项目转换关系。
[0017]进一步地，采用多层GCN网络对项目的高阶邻域信息进行聚合，捕获第二会话图中多跳项目的转换关系。
[0018]进一步地，所述分别生成第一全局嵌入向量和第二全局嵌入向量的过程包括：采用软注意力机制区分不同项目的重要性，并聚合第一会话图中的所有节点向量，生成第一全局嵌入向量；采用软注意力机制区分不同项目的重要性，并聚合第二会话图中的所有节点向量，生成第二全局嵌入向量。
[0019]本专利技术的第二个方面提供一种基于时间感知的图神经网络会话推荐系统。
[0020]一种基于时间感知的图神经网络会话推荐系统，包括：
[0021]会话图构建模块，其被配置为：获取会话序列，根据会话序列中相邻项目之间的出现次数和时间间隔，分别构建以出现次数为主的第一会话图和以时间间隔为主的第二会话图；
[0022]项目表示向量获取模块，其被配置为：学习第一会话图中复杂项目转换关系，生成第一项目表示向量；捕获第二会话图中多跳项目的转换关系，通过权重选择生成第二项目表示向量；
[0023]全局嵌入向量学习模块，其被配置为：基于第一项目表示向量和第二项目表示向量，分别引入软注意力机制区分不同项目的重要性，分别生成第一全局嵌入向量和第二全局嵌入向量；
[0024]用户偏好表示向量学习模块，其被配置为：采用门控注意力机制对第一全局嵌入向量和第二全局嵌入向量进行融合，学习用户的全局兴趣偏好，得到用户偏好表示向量；
[0025]推荐模块，其被配置为：基于用户偏好表示向量，得到用户会话推荐。
[0026]本专利技术的第三个方面提供一种计算机可读存储介质。
[0027]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于时间感知的图神经网络会话推荐方法中的步骤。
[0028]本专利技术的第四个方面提供一种计算机设备。
[0029]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于时间感知的图神经网络会话推荐方法中的步骤。
[0030]与现有技术相比，本专利技术的有益效果是：
[0031](1)本专利技术以用户的历史会话序列为基础，充分考虑会话的序列信息和时间信息，根据相邻项目之间的出现次数和时间间隔信息分别了构建以出现次数为主的会话图和以
时间间隔为主的会话图，并分别采用门控图神经网络和多层GCN来生成相应会话图的项目表示向量；
[0032](2)本专利技术考虑到不同项目对推荐的重要程度，引入软注意力机制和门控注意力机制来学习用户的全局兴趣偏好，从而更准确地把握用户的兴趣和意图，进一步提高推荐方法的性能。
附图说明
[0033]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0034]图1为本专利技术实施例一提供的用户会话推荐方法的整体流程图；
[0035]图2为本专利技术实施例一提供的基于时间感知的图神经网络会话推荐的处理流程图；
[0036]图3为本专利技术实施例一提供的用户会话推荐实施例流程图；
[0037]图4为本专利技术实施例二本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间感知的图神经网络会话推荐方法，其特征在于，包括：获取会话序列，根据会话序列中相邻项目之间的出现次数和时间间隔，分别构建以出现次数为主的第一会话图和以时间间隔为主的第二会话图；学习第一会话图中复杂项目转换关系，生成第一项目表示向量；捕获第二会话图中多跳项目的转换关系，通过权重选择生成第二项目表示向量；基于第一项目表示向量和第二项目表示向量，分别引入软注意力机制区分不同项目的重要性，分别生成第一全局嵌入向量和第二全局嵌入向量；采用门控注意力机制对第一全局嵌入向量和第二全局嵌入向量进行融合，学习用户的全局兴趣偏好，得到用户偏好表示向量；基于用户偏好表示向量，得到用户会话推荐。2.根据权利要求1所述的基于时间感知的图神经网络会话推荐方法，其特征在于，若会话序列为历史会话序列，还包括训练过程：利用用户偏好表示向量和已知的候选项集进行内积操作，构建softmax函数；根据softmax函数计算的损失函数，采用反向传播算法训练学习参数。3.根据权利要求2所述的基于时间感知的图神经网络会话推荐方法，其特征在于，在训练完学习参数之后还包括，将得到的用户会话推荐与实际的用户会话行为进行比对，反馈更新底层数据信息，优化网络模型的数据权重。4.根据权利要求2所述的基于时间感知的图神经网络会话推荐方法，其特征在于，在训练过程前，包括对会话序列进行预处理，包括数据清洗、缺失数据补全、数据定义以及规范化处理。5.根据权利要求1所述的基于时间感知的图神经网络会话推荐方法，其特征在于，采用门控神经网络学习第一会话图中复杂项目转换关系。6.根据权利要求1所述的基于时间感知的图神经网络会话推荐方法，其特征在于，采用多层GCN网络对项目的高阶邻域信息进行聚合，捕获第二会话图中多跳项目的转换关系。7.根据权...

【专利技术属性】
技术研发人员：史玉良，史幸凡，孙洪峰，刘辉，闫中敏，孔凡玉，
申请(专利权)人：山东女子学院，
类型：发明
国别省市：