【技术实现步骤摘要】
本专利技术涉及一种图神经网络会话推荐方法和系统，尤其涉及一种基于解耦用户需求的图神经网络会话推荐方法和系统，属于互联网大数据。
技术介绍
1、在基于网上购物的过程中，存在着用户暂未登录，用户历史访问行为和用户个人信息无法获取的情况，因此致力于解决此类情况的会话推荐方法应运而生，其通过会话内用户和物品的交互行为对用户的意图和偏好进行识别，并做出精准推荐。
2、目前，随着图神经网络模型的快速发展，图神经网络在会话推荐方面有着不错的表现。但是，目前基于图神经网络模型的会话推荐方法，大多数只考虑物品的转换序列，未考虑到用户选择物品也会受到物品种类的影响，存在会话图构建简单的问题，未能充分利用会话信息，会话推荐的准确性有待提升；此外，考虑到物品转换序列的会话推荐方法中，存在着将物品转换序列进行解耦的方法，该方法认为用户的意图是耦合的，应该从物品点击序列中对用户的意图进行解耦，找到最符合用户意图的物品，但该方法忽略了用户的意图不应该仅仅只存在于物品的转换序列中，也应该存在于物品对应类别的转换序列中。这也不利于物品推荐的准确度。
技术实现思路
1、专利技术目的：针对上述现有技术存在的问题，本专利技术目的在于提供一种简单高效、准确性高、性能稳定的基于解耦用户需求的图神经网络会话推荐方法和系统。
2、技术方案：为实现上述专利技术目的，本专利技术采用如下技术方案：
3、本专利技术所述的基于解耦用户需求的图神经网络会话推荐方法，包括如下步骤：
4、步骤1，
5、步骤2，基于步骤1所述的异构图将用户的物品需求和类别需求分别解耦到多个子需求中，通过图神经网络得到各子需求下的节点表示，并通过注意力机制得到不同子需求下物品会话表示和类别会话表示；
6、步骤3，将同一子需求下的节点表示进行池化处理，得到同一子需求下的物品子需求和类别子需求的表示，通过对比学习使同一子需求下的两种表示更为接近；
7、步骤4，将所有子需求融合得到最终的物品会话表示和类别会话表示，再通过预测物品和预测类别来提升物品推荐的准确性。
8、进一步地，步骤1中，设物品转换序列为v＝(v1,v2,…,vi,…,vm)，类别转换序列为c＝(c1,c2,cj,…cm)，m为序列的长度，并且第i个物品vi和第j个类别cj相对应，所述构建含有物品和类别两种节点的异构图的具体过程为：根据当前用户点击的物品转换序列构造物品和物品之间的有向边；根据物品所对应的类别转换序列构造类别和类别之间的有向边；根据物品和类别的对应关系构造物品和类别之间的有向边；生成含有物品和类别的节点及他们之间关系的异构图。
9、进一步地，步骤2包括如下步骤：
10、步骤2-1，将物品节点和类别节点的初始化嵌入表示分别通过公式
11、
12、
13、映射到k个子需求空间中作为子需求空间中的节点表示，其中表示在会话中第i个物品vi的初始嵌入，为第k个子需求空间中第i个物品vi的嵌入表示，表示在会话中第j个类别cj的初始嵌入，为第k个子需求空间中第j个类别cj的嵌入表示，k＝1，2，…，k；wk为可学习的权重矩阵，bk为可学习的偏置向量，t表示转置，σ为sigmoid激活函数，||||2表示取其2范数，使用基于距离相关性的损失函数
14、
15、来使任意两个子需求空间保持相对独立，其中cov(·)函数用于计算两个矩阵之间的协方差；var(·)函数用于计算矩阵自身的协方差；
16、步骤2-2，在第k个子需求中，对物品之间的转换，根据物品转换序列构造物品的入矩阵和出矩阵其中入矩阵中的值由当前物品和前一个物品计算相似度并归一化后得到，出矩阵中的值由当前物品和下一个物品计算相似度并归一化后得到，并将入矩阵和出矩阵通过公式
17、
18、
19、构成物品vi在第k个子需求中经过t轮迭代后的权重邻接矩阵其中和为可学习的权重矩阵，和为可学习的偏置向量，为第t-1轮vi的表示，为第i个物品的入矩阵，为第i个物品的出矩阵，i＝1，2，…，m；再将物品的权重邻接矩阵通过公式
20、
21、
22、
23、
24、来将物品vi和与其相邻物品的特征进行整合得到vi经过t轮迭代后在第k个子需求下的表示其中表示重置门，表示更新门，表示候选隐状态，为可学习的权重矩阵，tanh为非线性激活函数，⊙表示向量的点积运算，经过t轮迭代后，得到当前用户的子需求下每个物品的表示v′i,k，即
25、步骤2-3，在第k个子需求中，类别节点不仅聚合类别之间的转换信息，还聚合类别和所属该类别物品的信息，对聚合类别之间的转换信息，根据类别转换顺序构造类别的入矩阵和出矩阵其中入矩阵中的值由当前类别和前一个类别计算相似度并归一化后得到，出矩阵中的值由当前类别和下一个类别计算相似度并归一化后得到，并将入矩阵和出矩阵通过公式
26、
27、
28、构成类别cj在第k个子需求中经过t轮迭代后的权重邻接矩阵其中和为可学习的权重矩阵，和为可学习的偏置向量，为第t-1轮cj的表示，为第j个类别的入矩阵，为第j个类别的出矩阵，再将物品的权重邻接矩阵通过公式
29、
30、
31、
32、
33、来将类别cj和与其相邻类别的特征进行整合得到cj经过t轮迭代后在第k个子需求下的表示其中表示重置门，表示更新门，表示候选隐状态，为可学习的权重矩阵，对聚合类别和所属该类别物品的信息，通过公式
34、
35、
36、将类别cj和属于类别cj的相邻物品vi在第k个子需求中进行整合得到聚合该类别下所有相邻物品信息的类别其中pji,k表示属于类别j的每个物品的一个权重系数，表示属于类别cj的所有相邻物品，是第k个子需求的可学习的权重矩阵，||表示拼接操作，最后，将聚合相邻类别信息后的类别表示和聚合相邻物品信息后的类别表示进行平均池化处理得到类别聚合邻居节点信息的表示c′j,k；
37、步骤2-4，根据用户点击的最后的一个物品和类别与用户的物品需求和类别需求，通过公式
38、
39、
40、
41、
42、得到用户在第k个子需求中的物品会话表示sv,k和需求会话表示sc,k，其中，αvi,k表示第k个子需求空间中的物品i在物品序列中的权重系数，αcj,k表示第k个子需求空间中的类别j在类别序列中的权重系数，w1,w2,w3,w4为可学习的权重矩阵，为可学习的偏置向量，v′m,k表示会话中最后一个物品vm在第k个子需求中的表本文档来自技高网...
【技术保护点】
1.一种基于解耦用户需求的图神经网络会话推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于解耦用户需求的图神经网络会话推荐方法，其特征在于，步骤1中，设物品转换序列为V＝(v1,v2,…,vi,…,vM)，类别转换序列为C＝(c1，c2，…，cj，…cM)，M为序列的长度，并且第i个物品vi和第j个类别cj相对应，所述构建含有物品和类别两种节点的异构图的具体过程为：根据当前用户点击的物品转换序列构造物品和物品之间的有向边；根据物品所对应的类别转换序列构造类别和类别之间的有向边；根据物品和类别的对应关系构造物品和类别之间的有向边；生成含有物品和类别的节点及他们之间关系的异构图。
3.根据权利要求2所述的基于解耦用户需求的图神经网络会话推荐方法，其特征在于，步骤2包括如下步骤：
4.根据权利要求3所述的基于解耦用户需求的图神经网络会话推荐方法，其特征在于，步骤3中，将步骤2-3中所得到的聚合了相邻物品信息的所有物品表示vi′,k进行平均池化得到用户在第k个子需求中的物品需求表示Dv,k,将聚合了相邻物品信息和类别信息的类别表示cj′
5.根据权利要求4所述的基于解耦用户需求的图神经网络会话推荐方法，其特征在于，步骤4中，将候选类别cs通过步骤2-1中的公式
6.根据权利要求5所述的基于解耦用户需求的图神经网络会话推荐方法，其特征在于，步骤4中，将候选物品vs通过步骤2-1中的公式
7.根据权利要求6所述的基于解耦用户需求的图神经网络会话推荐方法，其特征在于，步骤4中，预测的损失函数采用交叉熵损失函数
8.根据权利要求7所述的基于解耦用户需求的图神经网络会话推荐方法，其特征在于，步骤4中，最终的损失函数为
9.一种基于解耦用户需求的图神经网络会话推荐系统，其特征在于，包括以下单元：
10.一种计算机系统，其特征在于，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，所述计算机程序被加载至处理器时实现根据权利要求1至8任一项所述的基于解耦用户需求的图神经网络会话推荐方法的步骤。
...【技术特征摘要】
1.一种基于解耦用户需求的图神经网络会话推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于解耦用户需求的图神经网络会话推荐方法，其特征在于，步骤1中，设物品转换序列为v＝(v1,v2,…,vi,…,vm)，类别转换序列为c＝(c1，c2，…，cj，…cm)，m为序列的长度，并且第i个物品vi和第j个类别cj相对应，所述构建含有物品和类别两种节点的异构图的具体过程为：根据当前用户点击的物品转换序列构造物品和物品之间的有向边；根据物品所对应的类别转换序列构造类别和类别之间的有向边；根据物品和类别的对应关系构造物品和类别之间的有向边；生成含有物品和类别的节点及他们之间关系的异构图。
3.根据权利要求2所述的基于解耦用户需求的图神经网络会话推荐方法，其特征在于，步骤2包括如下步骤：
4.根据权利要求3所述的基于解耦用户需求的图神经网络会话推荐方法，其特征在于，步骤3中，将步骤2-3中所得到的聚合了相邻物品信息的所有物品表示vi′,k进行平均池化得到用户在第k个子需求中的物品需求表示dv,k,将聚合了相邻物品信息和...
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。