System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及兴趣点推荐,具体地说,涉及一种基于双构图的会话推荐增强方法。
技术介绍
1、大数据时代,推荐系统通过向用户推荐有用内容,在缓解信息过载问题中发挥着越来越重要的作用。会话推荐作为推荐系统的一个新的分支,通过学习会话内或会话间的依赖关系来捕捉用户短期内的动态偏好,在电子商务领域、音乐、社交媒体等领域引起了广泛关注。而多类型操作会话普遍存在并存在着复杂的依赖关系。具体来说,依赖性不仅存在与同一类型的交互上,还存在于不同类型的交互上。目前大多数现有的会话推荐没有对行为信息进行分析,不能准确的获悉行为间的依赖关系,从而获得不准确的推荐。因此如何有效准确地了解行为内和行为间类型的关系是目前会话推荐面临的挑战之一。
技术实现思路
1、本专利技术的内容是提供一种基于双构图的会话推荐增强方法,其能够克服现有技术的某种或某些缺陷。
2、根据本专利技术的一种基于双构图的会话推荐增强方法,其包括以下步骤:
3、步骤一、获取用户与系统会话行为信息,筛选出获得的有效信息并组成会话数据;
4、步骤二、将会话数据构造为会话序列:序列内的数据为用户与系统的每一条交互信息,包括浏览、收藏、点赞行为等,并根据行为类型进行分类;
5、步骤三、将会话序列推送给模型进行训练:将会话序列构建为多行为异构网络图和超图;提出注意力机制捕获不同节点间的权重,形成不同的相邻项目对目标项目的编码增强,主要是学习会话中相邻项目间的转换关系;
6、步骤四、通过提供一种
7、步骤五、通过对异构图和超图双构图的学习,分别生成对候选项目预测的概率,最终通过自监督学习,得到结合多行为和节点信息的损失函数目标;
8、作为优选,步骤一中,从天猫和酷狗平台中获取用户与系统交互过程,获得了大量的数据信息。我们对这些数据进行筛选和分析,选取其中具有代表性和有效性的信息,然后将其组成会话数据,以便进行进一步的处理和分析。
9、作为优选,步骤二中,组成会话序列后,清洗是将时间少于5秒的无效的数据剔除并且并根据行为类型进行分类处理。
10、作为优选,步骤三中,将会话序列推送给模型进行训练:将会话序列构建为多行为异构网络图和超图,并提出了注意力机制,以捕获不同节点间的权重,形成不同的相邻项目对目标项目的编码增强。主要是学习会话中相邻项目间的转换关系,使得模型能够更加准确地预测下一个可能出现的行为。通过这一步骤的训练,我们能够得到一个更加准确、可靠的模型,为后续的技术实现提供必要的支持和保障。采用如下公式计算:
11、
12、
13、
14、
15、表示行为到中心节点在第l+1层的传播嵌入。其中,σ为激活函数,这里我们选择leakyrelu作为激活函数,w(l)是参数矩阵,mean表示取运算式子中的平均值,表示节点i在行为类型k下第l层的传播嵌入,表示在行为类型k下第l层的传播嵌入,nu,k是在行为类型k下用户u的一组邻居,⊙表示元素乘积,通过乘以另一层特定参数wb来更新;并利用反映行为类型k之间的依赖性以及用户其他行为之间的隐含关系;同理表示行为到中心节点在第l层的传播嵌入,sw和sk表示使用均值池来集成所有层的嵌入,从而最后实现行为嵌入到中心节点并将每个行为的表示合并到消息传递范式中。
16、作为优选,步骤四中,通过提供一种灵活而自然的超图工具对项目之间的隐含关系进行建模,并使用超图卷积神经网络来对超图进行建模。这一过程旨在提取节点特征和超边特征,以捕获项目间的高阶关系。我们提出了一种创新的超图工具,能够更好地表达项目之间的复杂关联,同时利用超图卷积神经网络技术,能够有效地从超图中提取特征信息,进而捕获项目间更为深层次的关联和特征。这一步骤的实施将有助于提升模型的表达能力和预测准确性,为技术实现的进一步优化奠定基础。公式表示为:
17、
18、
19、
20、
21、
22、其中,为超图卷积第l+1层的定义,hih和hjh表示超图的关联矩阵,whh同样表示为超图的对角矩阵,和为超图卷积第l层的定义,xi表示使用均值池来集成所有卷积层;为会话中第i项的嵌入,w1和b都是可学习的参数,pk-i+1为可学习的位置矩阵并且将反向位置嵌入与学习项目表示进行积分,其中k是当前会话的长度,αi为上式细化后的会话嵌入,σ为sigmoid激活函数,是会话s的嵌入,f、w2和w3都是用于学习项目权重αi的注意参数,c为偏置向量,从而得到sh为最终的用户一般嵌入。
23、作为优选,步骤五中,通过对异构图和超图双构图的学习,分别生成对候选项目预测的概率,并最终通过自监督学习得到结合多行为和节点信息的损失函数目标。我们通过对异构图和超图进行学习,能够分别对候选项目的预测概率进行生成,从而获得更准确的预测结果。同时,通过自监督学习的方法,我们能够将多行为和节点信息相结合,得到一个综合考虑了多个因素的损失函数目标,进一步提升模型的性能和准确性。公式表示为:
24、y′=softmax(shtxi)
25、
26、其中,y′为会话中的下一个项目的概率,softmax为激活函数,sht为最终的用户一般嵌入的转置,xi表示使用均值池来集成所有卷积层;l为学习目标公式化为交叉熵损失函数,yi为热编码第i个矢量。
27、与现有技术相比,本专利技术具有以下优点:
28、(1)本专利技术采用一种基于双构图的会话推荐增强方法,通过多行为异构网络图和超图的建模方法,能够更全面地捕捉用户与系统之间的交互信息。相较于传统的单一行为建模方法,我们的模型可以同时考虑用户的浏览、收藏、点赞等多种行为类型,并将其构造为多行为异构网络图和超图。这样一来,我们能够更好地理解用户的兴趣和偏好,提高推荐准确度和个性化程度;
29、(2)本专利技术引入了注意力机制,能够有效捕捉不同节点间的权重和转换关系。我们提出了一种注意力机制,通过对相邻项目的编码增强,学习会话中相邻项目间的转换关系。这种机制能够帮助我们更好地理解项目之间的关联性,提升模型的表达能力和预测准确性;
30、(3)本专利技术利用自监督学习方法,结合多行为和节点信息,得到了一个综合考虑多个因素的损失函数目标。我们通过对异构图和超图的学习,分别生成对候选项目预测的概率,并通过自监督学习的方式将多行为和节点信息相结合。这样一来,我们能够更好地训练模型,提升推荐系统的性能和效果。
本文档来自技高网...【技术保护点】
1.一种基于双构图的会话推荐增强方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于双构图的会话推荐增强方法,其特征在于:步骤一中,从天猫和酷狗平台中获取用户与系统会话行为信息,用户历史行为信息包括用户停留项目时长以及浏览、收藏、点赞等。
3.根据权利要求2所述的一种基于双构图的会话推荐增强方法,其特征在于:步骤二中,组成会话序列后,去除时间短等无效的数据,并根据行为类型进行处理。
4.根据权利要求3所述的一种基于双构图的会话推荐增强方法,其特征在于:步骤三中,提出注意力机制捕获不同节点间的权重,通过学习会话中相邻项目之间的转换关系,利用注意力机制来捕获这些关系的重要性,以便更好地预测用户的兴趣和行为。通过这种方式,推荐系统可以更加准确地理解和分析用户的行为模式,从而提供更加个性化和有针对性的推荐。
5.根据权利要求4所述的一种基于双构图的会话推荐增强方法,其特征在于:步骤四中,通过超图对项目间隐含关系进行建模,并使用超图卷积神经网络来对超图进行建模,以提取节点特征和超边特征,从而捕获项目间的高阶关系。采用如下公式计算
6.根据权利要求5所述的一种基于双构图的会话推荐增强方法,其特征在于:通过自监督学习的方法,我们能够将多行为和节点信息相结合,得到一个综合考虑了多个因素的损失函数目标,进一步提升模型的性能和准确性。采用如下公式计算:
7.根据权利要求6所述的一种基于双构图的会话推荐增强方法,其特征在于:步骤五中,通过对异构图和超图联合学习分别生成候选项目的预测概率,从而能够更好地捕获用户的短期和动态偏好,并实现更精准的推荐。异构图包含了不同类型的节点和边,例如用户、项目、行为等,而超图则将这些节点和边以更高层次的方式进行组合和表示。在学习过程中,模型可以自主地关注重要的节点和边,通过注意力机制获取节点之间的权重。因此推荐系统能够更全面地考虑多种因素,并提供更加个性化和精准的推荐结果,满足用户的需求和偏好。
...【技术特征摘要】
1.一种基于双构图的会话推荐增强方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于双构图的会话推荐增强方法,其特征在于:步骤一中,从天猫和酷狗平台中获取用户与系统会话行为信息,用户历史行为信息包括用户停留项目时长以及浏览、收藏、点赞等。
3.根据权利要求2所述的一种基于双构图的会话推荐增强方法,其特征在于:步骤二中,组成会话序列后,去除时间短等无效的数据,并根据行为类型进行处理。
4.根据权利要求3所述的一种基于双构图的会话推荐增强方法,其特征在于:步骤三中,提出注意力机制捕获不同节点间的权重,通过学习会话中相邻项目之间的转换关系,利用注意力机制来捕获这些关系的重要性,以便更好地预测用户的兴趣和行为。通过这种方式,推荐系统可以更加准确地理解和分析用户的行为模式,从而提供更加个性化和有针对性的推荐。
5.根据权利要求4所述的一种基于双构图的会话推荐增强方法,其特征在于:步骤四中,通过超图...
【专利技术属性】
技术研发人员:张景爱,张敬伟,黄玉昭,王逸丰,吴泽正,邓宇奇,陈金涛,
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。