【技术实现步骤摘要】
本专利技术涉及会话推荐，具体涉及一种基于自监督的多视角会话推荐桥接模型。
技术介绍
1、基于会话的推荐(session-based recommendation，sbr)由于其匿名性，用户的个人资料不可见，需要仅根据匿名用户的历史交互数据完成用户偏好的推测，成为一段时间以来推荐系统场景下的关注中心，在个性化推荐场景中得到了蓬勃发展。由于用户资料文件不可获取，建模并反映会话序列中的物品分布就成为了核心问题。然而，会话中的物品序列通常很短且不规则，因此如何揭示物品依赖关系成为一个棘手的问题。
2、目前的会话推荐方法大致可以分为两类：基于循环神经网络(recurrent neuralnetwork，rnn)的会话推荐和(2)基于图神经网络(graph neural network，gnn)的会话推荐。具体而言，基于rnn的会话推荐将会话中的物品转换作为序列，按时间顺序处理物品转换序列，并利用顺序转换信息预测目标物品。基于gnn的会话推荐并不对物品进行线性建模，而是通过将物品序列转换为会话图来捕获会话中的物品分布知识，从而挖掘结构分布细节并描绘复杂的用户偏好。
3、基于gnn和rnn的会话推荐方法从会话的不同特征角度出发，各自具有明显的优势和局限性。具体而言，基于rnn的模型主要通过线性处理每个会话中的物品序列来揭示物品分布的序列模式，因此在物品相互依赖建模方面具有优势，但忽略了全局的会话间信息和复杂的结构分布模式。基于gnn的模型主要通过将会话视为一个图来揭示结构模式，并通过堆叠多个gnn层来拓宽接受域。然而，
4、图1给出了一个例子来描述基于图和基于序列的方法的局限性：基于图的方法揭示了结构信息，但忽略了顺序和长度信息，如图1左侧所示，一个会话图可以被转换成多个序列-—具有不同顺序模式(s1和s2)和不同长度(s1和s3)的会话序列对应于同一个会话图总之，从序列到图的转换过程伴随着序列模式和长度信息的损失。另一方面，会话序列揭示了顺序依赖模式，缺乏全局和结构布局信息，具体来说，序列方法忽略了会话中物品之间的复杂转换关系，我们将其称为结构信息丢失；基于序列的模型描述了单个会话中的连续物品关系，忽略了全局物品共存，我们将其称为会话间信息丢失，如图1右侧所示，s4和s5序列无法揭示中复杂的结构和会话间信息。总之，从图到序列的转换过程伴随着结构和会话间信息的丢失。
5、如图1所示，基于序列和基于图的会话推荐方案相互抑制，并且只能捕获会话中的单一模式的物品分布模式。然而，传统的会话推荐模型只利用其中一种模式，而没有将它们整合起来。因此，如何在基于序列模式和图模式的会话推荐框架之间架起桥梁，填补这两种模式之间的空白成为亟待解决的问题。此外，为了保证会话推荐中单一模式的优势表现，“如何在整合图模式和序列模式的同时保留相应的特征，以最大化单一模式优势并提高整体性能”也成为待解决的问题。
技术实现思路
1、本专利技术要解决的技术问题是：
2、现有的会话推荐模型没有将基于序列和基于图的会话推荐方案进行整合，没有实现在整合图模式和序列模式的同时保留相应的特征以最大化单一模式优势并提高会话推荐模型整体性能，从图到序列的转换过程伴随着结构和会话间信息的丢失的问题，为此，本专利技术提供一种基于自监督的多视角会话推荐桥接模型。
3、本专利技术为解决上述技术问题所采用的技术方案为：
4、一种基于自监督的多视角会话推荐桥接模型，所述模型为将基于会话的推荐中结构模式和顺序模式整合起来的端到端的会话推荐模型，结构模式即图模式，顺序模式即序列模式；
5、所述模型从输入到输出包括嵌入层、图通道、序列通道、通道间对比桥接模块(又称为：跨通道整合模块)和预测层；
6、嵌入层用于读取会话图、会话序列后经处理后分别输入给对应的图通道、序列通道，嵌入层针对图通道和序列通道分别进行了独立的嵌入表示，分别在两通道进行独立传播后完成信息聚合；
7、在图通道中，首先从全局和局部视图构造会话图；再通过局部和全局的图神经网络架构得到物品嵌入，然后将全局嵌入和局部嵌入相结合，得到图形化的会话表示，完成sbr的结构特征建模；
8、在序列通道中，将会话视为会话序列，并利用循环神经网络(recurrent neuralnetwork，rnn)对序列转换模式进行建模；
9、通道间对比桥接模块(跨通道整合模块)，用于分别从图通道和序列通道中提取结构模式信息和顺序模式信息，采用自监督学习(self-supervised leaming，ssl)，并部署一个基于对比学习的跨通道集成模块来桥接两个独立的通道，以从不同的角度吸收不同的模式知识；
10、预测层用于读取通道间对比桥接模块的信息，并根据通道间对比桥接模块的输入信息给出预测结果：根据用户在会话中的交互历史来预测用户的下一个交互物品。
11、进一步地，对输入给的嵌入层的会话进行符号定义和形式化描述：令v＝{v1，v2，…，vm}为推荐中所有会话中出现的物品集合，其中m为物品数，一个会话表示成按照时间排列的物品序列，其中表示当前会话s中物品第i个交互物品，会话长度为l；给定会话s，用户在会话s中最有可能进行互动的前n个(top-n)物品，其中1≤n≤m。
12、进一步地，所述图通道的具体实现为：
13、1)局部图构造
14、基于每个会话序列s包含用户在会话中按时间顺序与之交互的物品，每个会话构造为有向会话图其中顶点集表示会话s中的候选物品集，边集表示物品转换关系(时序顺序)；连接两个按时间顺序相邻的物品即用户连续与物品和进行交互；
15、2)全局会话图构建
16、从全局视图构建会话图以捕获不同会话之间的全局物品转换模式，关注会话间转换知识，以捕获不同会话之间的物品共存关系；为此，整合会话之间的所有成对物品转换：
17、首先将所有成对物品转换元组合并为候选边；再过滤掉无用的、有噪声的转换模式，获得一个更稀疏的全局会话图；
18、将全局会话图定义为其中表示全局图顶点集合，表示全局图边集合，对应于所有会话中的成对顶点二元组
19、对边集合进行进一步的top-n筛选以完成噪声过滤：首先将所有的物品转换关系进行导入以保留物品转换信息；同时为保证全局图的稀疏性，按照边出现的频率进行排序，并只保留出现频次在top-n范围内的边作为全局图的边；
20、3)局部视图表示学习模块
21、在局部视图表示学习模块中，从局部视图中挖掘嵌入传播和聚合过程，获得物品和会话的局部表示；首先通过一跳传播演示局部嵌入过程，然后将该聚合过程扩展到高阶连接；采用轻量级gnn实现作为聚合方法来获得目标节点表示，具体为：
22、线性地聚合邻居节点嵌入，不需要额外的计算，对每个节点采用对称归一化，如本文档来自技高网...
【技术保护点】
1.一种基于自监督的多视角会话推荐桥接模型，其特征在于，所述模型为将基于会话的推荐中结构模式和顺序模式整合起来的端到端的会话推荐模型，结构模式即图模式，顺序模式即序列模式；
2.根据权利要求1所述的一种基于自监督的多视角会话推荐桥接模型，其特征在于，对输入给的嵌入层的会话进行符号定义和形式化描述：令V＝{v1，v2，…，vM}为推荐中所有会话中出现的物品集合，其中M为物品数，一个会话表示成按照时间排列的物品序列，其中表示当前会话s中物品第i个交互物品，会话长度为l；给定会话s，用户在会话s中最有可能进行互动的前N个(Top-N)物品，其中1≤N≤M。
3.根据权利要求1或2所述的一种基于自监督的多视角会话推荐桥接模型，其特征在于，所述图通道的具体实现为：
4.根据权利要求3所述的一种基于自监督的多视角会话推荐桥接模型，其特征在于，所述序列通道采用GRU版本的RNN模型进行建模，具体过程为：
5.根据权利要求4所述的一种基于自监督的多视角会话推荐桥接模型，其特征在于，所述通道间对比桥接模块的实现过程为：
6.根据权利要求5
7.根据权利要求1、2、4、5或6所述的一种基于自监督的多视角会话推荐桥接模型，其特征在于，所述模型的训练过程为：
8.一种基于自监督的多视角会话推荐桥接方法，其特征在于：该方法具有与上述权利要求1-7任一项权利要求对应的步骤。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1-7中任一项所述的基于自监督的多视角会话推荐桥接模型对应的步骤。
...【技术特征摘要】
1.一种基于自监督的多视角会话推荐桥接模型，其特征在于，所述模型为将基于会话的推荐中结构模式和顺序模式整合起来的端到端的会话推荐模型，结构模式即图模式，顺序模式即序列模式；
2.根据权利要求1所述的一种基于自监督的多视角会话推荐桥接模型，其特征在于，对输入给的嵌入层的会话进行符号定义和形式化描述：令v＝{v1，v2，…，vm}为推荐中所有会话中出现的物品集合，其中m为物品数，一个会话表示成按照时间排列的物品序列，其中表示当前会话s中物品第i个交互物品，会话长度为l；给定会话s，用户在会话s中最有可能进行互动的前n个(top-n)物品，其中1≤n≤m。
3.根据权利要求1或2所述的一种基于自监督的多视角会话推荐桥接模型，其特征在于，所述图通道的具体实现为：
4.根据权利要求3所述的一种基于自监督的多视角会话推荐桥接模型，...
【专利技术属性】
技术研发人员：何慧，武兴隆，杨洪伟，张伟哲，邰煜，王泽俊，尹晟，
申请(专利权)人：哈尔滨工业大学，
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。