【技术实现步骤摘要】
本专利技术涉及商品推荐方法领域，具体是一种基于多行为超图神经网络的序列推荐方法。
技术介绍
1、超图神经网络是一种深度学习技术，它是从图神经网络发展而来的。传统的图神经网络是将图形数据表示为节点和边的连接关系，然后利用卷积等算法进行特征提取和分类。gcn的核心思想是利用卷积运算进行特征提取，但由于图形数据中节点之间的连接关系非常复杂，传统的卷积运算无法很好地处理这种复杂性。因此，研究人员开始思考如何利用更复杂的连接关系来更好地表示图形数据。而超图神经网络则将图形数据表示为节点、边和超边的连接关系，从而能够更好地表示图形中的复杂关系和结构。
2、超图神经网络的思想就是从超图的角度来看待图形数据，超图可以看作是一种更一般化的图形数据结构，它允许节点之间的连接关系不仅是一对一的边，还可以是超边，超边连接的是多个节点。超图神经网络基于这种思想，利用超边连接节点，进行特征提取和分类。超图神经网络已经被应用于各种领域，如计算机视觉、自然语言处理、社交网络分析等。它能够更好地表示和处理复杂的图形数据结构，提高了深度学习技术在实际应用中的效果和性能。
3、多行为推荐技术是一种利用用户多种行为数据进行推荐的技术，其发展背景与推荐系统发展的历程紧密相关。在推荐系统的早期，主要采用基于内容的推荐和基于协同过滤的推荐两种方式。基于内容的推荐方法主要基于商品的属性和用户的历史行为，进行商品之间的相似度计算和推荐结果的生成；而基于协同过滤的推荐方法主要基于用户与商品之间的交互行为，利用用户之间的相似度进行推荐。这两种方法都存在一定的
4、为了解决这些问题，研究者开始关注利用多种类型的用户行为数据进行推荐，即多行为推荐技术。多行为推荐技术通过综合利用多种类型的用户行为数据，从不同的角度了解用户的兴趣和行为，提高推荐结果的多样性和精准度。
技术实现思路
1、本专利技术提供了一种基于多行为超图神经网络的序列推荐方法，以解决现有技术多行为推荐技术存在的准确性差的问题。
2、为了达到上述目的，本专利技术所采用的技术方案为：
3、一种基于多行为超图神经网络的序列推荐方法，包括以下步骤：
4、步骤1、构建多行为数据的用户信息集合u、多行为的信息集合b、第i个用户交互商品的替代集合t，其中用户信息集合u包含各个用户以及每个用户交互的商品以及交互行为，多行为的信息集合b包含用户的多种行为，第i个用户交互商品的替代集合t包含第i个用户未产生交互的商品；
5、步骤2、基于用户信息集合中第i个用户ui和特定商品vj在交互中的不同类型交互来构建超图神经网络利用超图神经网络学习短期行为依赖；
6、步骤3、基于步骤1中替代集合t构建替代集，并计算替代集中每个替代品在不同行为下的相关性得分后，按相关性得分进行排序得到不同行为的替代序列；
7、步骤4、将步骤3得到的不同行为替换序列中元素平均池化作为行为首选项的初始化记作原始输入特征h，并将原始输入特征h通过复制扩充为通道数为c的特征表示；然后通过全局注意力分支和局部注意力分支分别提取原始输入特征h的全局特征注意力和局部注意力；将得到的全局注意力和局部注意力进行广播求和操作，并输入sigmoid函数计算出注意力权重；接着，将计算出的注意力权重和原始输入特征h相乘后，通过对通道求平均的操作得到特征图h′；最后基于特征图h′得到最终融合特征；
8、步骤5、构建每个商品流行度的倾向性权重，并基于倾向性权重计算用户对每个商品的真实兴趣权重，接着将步骤3得到的不同行为替代序列与真实兴趣权重结合，以聚合不同行为下的序列，得到用户多行为长期兴趣下的聚合表示，由此消除流行度偏差影响，获取用户真实兴趣；
9、步骤6、利用融合后的全局特征进行推荐，过程如下：
10、引入一个注意力层来学习视图嵌入的重要性，将步骤2中的超图神经网络下的短期行为和步骤5中的序列替换后的长期行为聚合表示作为注意力层的输入，由注意力层计算整体聚合的重要性权重，即分别得到超图神经网络卷积下的短期行为权重分数αi和序列替换后的长期行为权重分数βi；然后对权重分数αi、βi聚合得到特征表示gi，根据特征表示gi计算得到推荐商品序列中任意i项为商品vj项的概率，由此完成商品推荐。
11、进一步的步骤2中，所述超图神经网络通过消息传递实现来铺捕获用户行为依赖关系，进而实现学习全局行为依赖。
12、进一步的步骤3中，对步骤1中替代集合t的商品进行不同时间跨度的随机采样得到所述替代集。
13、进一步的，步骤4中全局注意力特征提取过程为：使用全局平均池化操作将原始输入特征h压缩成一维参数，然后采用第1个全连接层fcn1对重要性进行预测，得到重要性参数，最后，用relu激活并输入全连接层fcn2以恢复原始特征的维度，最终得到全局注意力特征hg。
14、进一步的，步骤4中局部注意力特征提取过程为：通过点卷积来获取特征的局部注意力，将原始输入特征h输入两层卷积神经网络，两层中间使用relu进行激活，先采用核大小为c/r×c×1×1的pwconv1卷积操作以减少通道数，然后通过核大小为c×c/r×1×1的pwconv2的卷积恢复通道数，最终得到局部注意力特征hl。
15、进一步的，步骤5中聚合不同行为下的序列时采用平均池化进行聚合。
16、进一步的，步骤6中采用交叉熵作为超图神经网络训练时的损失函数利用训练好的超图神经网络实现商品推荐。
17、本专利技术旨在将多行为下的用户表示与超图卷积得到的个性化行为依赖矩阵相结合。对用户进行建模，以了解用户的兴趣、喜好、行为等特征。从而能提升推荐的可解释性和准确性，推荐的商品与用户的实际需求和兴趣高度契合，对于提高用户对推荐结果的信任度和满意度非常重要。
18、与已有技术相比，本专利技术具有如下优点：
19、1.本专利技术利用超图卷积神经网络和多行为推荐，利用超边可以连接多个节点的特点，完美契合多行为推荐。从而减少单个行为特征的误差和干扰，提高推荐系统的鲁棒性和抗干扰性。
20、2.本专利技术提出了一种近似行为解耦合序列的替代方法，不需要复杂的建模过程，也不需要大量算力将所有的行为交互进行解耦合，使得模型在解耦多行为序列逼近线性模型的复杂度。
21、3.本发提出了一种短期行为和长期行为相结合的方法，利用层注意力机制可以有效地捕捉不同层之间的语义关系，从而可以生成更具表现力和区分度的特征表示。
22、4.本专利技术能够很好的提取用户行为特征，从而能更好的满足互联网用户对个性化推荐服务的需求，这会吸引更多的用户选择使用个性化推荐服务。并且本专利技术同样适用于使用其他推荐算法，具有一定的通用性。
本文档来自技高网...【技术保护点】
1.一种基于多行为超图神经网络的序列推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多行为超图神经网络的序列推荐方法，其特征在于，步骤2中，所述超图神经网络通过消息传递实现来铺捕获用户行为依赖关系，进而实现学习全局行为依赖。
3.根据权利要求1所述的一种基于多行为超图神经网络的序列推荐方法，其特征在于，步骤3中，对步骤1中替代集合T的商品进行不同时间跨度的随机采样得到所述替代集。
4.根据权利要求1所述的一种基于多行为超图神经网络的序列推荐方法，其特征在于，步骤4中全局注意力特征提取过程为：使用全局平均池化操作将原始输入特征H压缩成一维参数，然后采用第1个全连接层FCN1对重要性进行预测,得到重要性参数，最后,用ReLU激活并输入全连接层FCN2以恢复原始特征的维度，最终得到全局注意力特征Hg。
5.根据权利要求1所述的一种基于多行为超图神经网络的序列推荐方法，其特征在于，步骤4中局部注意力特征提取过程为：通过点卷积来获取特征的局部注意力，将原始输入特征H输入两层卷积神经网络，两层中间使用ReLU进行激活，先采
6.根据权利要求1所述的一种基于多行为超图神经网络的序列推荐方法，其特征在于，步骤5中聚合不同行为下的序列时采用平均池化进行聚合。
7.根据权利要求1所述的一种基于多行为超图神经网络的序列推荐方法，其特征在于，步骤6中采用交叉熵作为超图神经网络训练时的损失函数利用训练好的超图神经网络实现商品推荐。
...【技术特征摘要】
1.一种基于多行为超图神经网络的序列推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多行为超图神经网络的序列推荐方法，其特征在于，步骤2中，所述超图神经网络通过消息传递实现来铺捕获用户行为依赖关系，进而实现学习全局行为依赖。
3.根据权利要求1所述的一种基于多行为超图神经网络的序列推荐方法，其特征在于，步骤3中，对步骤1中替代集合t的商品进行不同时间跨度的随机采样得到所述替代集。
4.根据权利要求1所述的一种基于多行为超图神经网络的序列推荐方法，其特征在于，步骤4中全局注意力特征提取过程为：使用全局平均池化操作将原始输入特征h压缩成一维参数，然后采用第1个全连接层fcn1对重要性进行预测,得到重要性参数，最后,用relu激活并输入全连接层fcn2以恢复原始特征的维度，最终得...
【专利技术属性】
技术研发人员：吴国栋，秦辉，胡全兴，吴贞畅，马治立，李景霞，涂立静，
申请(专利权)人：安徽农业大学，
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。