【技术实现步骤摘要】
本专利技术涉及会话推荐技术，具体涉及一种处理信息丢失的双通道图融合的会话推荐方法。
技术介绍
1、随着科技的迅猛进步，人们每天都要处理大量的信息。然而，这些信息中往往夹杂着大量无关紧要的内容。因此，识别并过滤掉这些冗余信息变得至关重要。推荐系统通过分析用户的兴趣，可以有效地筛选出与其匹配的信息，为用户提供个性化的推荐服务。因此，推荐系统在各个领域都有着广泛的应用前景。
2、传统的推荐系统通常依赖于已知的用户信息来做出推荐决策。然而，由于隐私等方面的考虑，很多情况下用户信息并不完全可知。因此，基于会话的推荐系统逐渐崭露头角。这种系统利用匿名用户的行为序列，预测下一个可能的行为，并通过分析用户在会话中的交互行为来洞察用户的偏好，从而为用户提供更加精准的个性化推荐。
3、在早期的研究中，会话推荐系统的方法是基于机器学习的思想提出的。初期方法主要采用马尔可夫链与矩阵因子分解思想，但这些方法只能捕捉到一阶依赖性，难以捕捉到长期的高阶依赖。随着循环神经网络方法的流行，利用循环神经网络将会话数据建模成有序序列，对会话中项目的顺序进行建模取得了较好的效果。然而，会话数据的转换并非严格的时序转换，因此循环神经网络无法很好地建模更加复杂的项目之间的关联。相比之下，图神经网络能够将会话数据建模成图数据，因此图神经网络被广泛应用于会话推荐系统中。然而，在实际场景中，一个项目的出现往往是之前一系列项目共同作用的结果，而项目之间的关系并非简单的二元关系，而是更加复杂的多对多关系。因此，如何更准确地建模项目之间复杂的高阶关系一直是会话
4、目前已有相关研究，例如专利cn114330299a公开基于多方面全局关系项目表示学习的会话推荐方法、系统、设备和介质，专利cn117194765a一种兴趣感知的双通道图对比学习会话推荐方法；但是以上这些现有技术方案往往只考虑添加全局偏好、兴趣感知作为辅助信息来改善推荐的准确性，往往忽略了图转换和模型传播学习中存在信息丢失问题，即有损会话编码问题和无效的远程依赖捕获问题。对于有损会话编码问题，由于从会话到图的有损编码以及消息传递过程中的排列不变聚合，有关项目转换的一些顺序信息被忽略。对于无效的长期依赖捕获问题，由于层数有限，无法捕获会话中的某些长程依赖关系，这些问题可以通过标注一些辅助信息得到部分解决，但是如何将信息重新融合，提高预测的准确性仍是需要研究的问题。
5、也就是说，现有技术都是侧重解决关于全局偏好、长期或者短期偏好作为辅助信息的融合，并没有考虑本身图结构转码的问题以及传播学习过程中的无效长依赖问题。
技术实现思路
1、专利技术目的：本专利技术的目的在于解决现有技术中存在的不足，提供一种处理信息丢失的双通道图融合的会话推荐方法。
2、技术方案：本专利技术的一种处理信息丢失的双通道图融合的会话推荐方法，包括以下步骤：步骤s1、构建项目集v＝{v1,v2,v3,...,v|v|}、会话集s＝{s1,s2,s3,...,s|s|}以及相似会话集；其中，|v|为项目集中的项目数，|s|为会话集中的会话数，每个会话表示为一个集合s，s＝{v1,v2,v3,...,v|n|}，n为会话的长度；ns为会话s的相似会话集，其中s|n|为相似会话集中的相似会话的数量；
3、步骤s2、根据当前会话和相似会话集数据，分别构建对应的边序有向图和全局快捷图，分别使用时间信息与全局偏好对会话表示进行增强；
4、所述边序有向图的构建方法如下：先定义gh＝(vh,eh)，表示项目集v中的所有项目，表示边的集合，由于边序有向图为多元结构，会生成多次目标点到v的边，因此定义ein(v)表示目标节点已经出现的次数，通过ein(v)来记录每条边的边序信息；
5、所述全局快捷图的构建方法如下：先定义gg＝(vg,eg)，表示项目集v中的所有项目，表示边的集合，然后对于每一个有序的节点对，均创建一个快捷边ei＝(vi→vj)∈eg；
6、此处通过全局快捷边和全局快捷图能够解决现有技术中无效的远程依赖捕获问题；并且为每个会话有序对增加了快捷依赖，使得不相邻的项目之间的信息也能够更好地传播；有助于捕捉到更广泛和更深层次的项目关联，提高了推荐系统对用户行为的理解和预测能力。
7、步骤s3、将步骤s2所得边序有向图和全局快捷图输入双通道项目-全局依赖神经网络，双通道项目-全局依赖神经网络包括边序有向层嵌入学习模块和全局快捷层嵌入学习模块，边序有向层嵌入学习模块和全局快捷层嵌入学习模块分别处理边序有向图和全局快捷图，实现项目节点嵌入学习，最终输出两种图结构下的项目嵌入和全局依赖嵌入；
8、边序有向层嵌入学习模块对边序有向图的处理方法如下：
9、
10、
11、
12、其中ein(i)表示会话中以vi作为终点按照边序排列的边的顺序，表示目标项目嵌入聚合所有相邻节点的特征信息后得到的更新项目嵌入，表示第l层网络中第i个项目嵌入，表示聚合所有相邻节点的信息后的汇总状态，gru(l)表示第l层网络的信息聚合计算，表示在第l层网络中聚合相邻节点所用的可学习参数，表示第l层网络中按照vi的边序所对应的第k个项目嵌入，表示在第l层网络中串联的前k-1个gru的隐藏状态信息，0≤k≤di，||表示串联；为可学习参数矩阵；
13、全局快捷层嵌入学习模块对全局快捷图的处理方法如下：
14、
15、
16、
17、其中表示的项目嵌入聚合所有相邻节点的特征信息后得到的更新项目嵌入，表示在第l层网络中之间的注意力分数，softmax表示激活函数，用来作归一化处理，表示的权重向量，σ表示sigmod函数，表示之间的权重，表示某个相邻节点的项目嵌入，p(l),b(l)∈rd和均为可学习参数，表示关于的注意力分数，t表示转置操作；
18、步骤s4、分别对步骤s3所得项目嵌入和全局依赖嵌入进行多次交错层处理嵌入，具体方法为：
19、先将当前会话的项目交错嵌入全局快捷层、边序有向层，将所有之前层的输出级联起来然后经过堆叠多个卷积网络层来获得高阶的信息，在最后一层输出每个项目的嵌入表示，最终得到当前会话的项目嵌入，
20、先将相似会话集的项目交错嵌入边序有向层、全局快捷层，将所有之前层的输出级联起来然后经过堆叠多个卷积网络层来获得高阶的信息，在最后一层输出每个项目的嵌入表示，最终得到相似会话集的项目嵌入，
21、步骤s5、根据获得的当前会话嵌入和相似会话集嵌入进行信息门控融合；步骤s6、使用注意力机制聚合节点实现图表示；
22、步骤s7、计算候选物品的推荐概率，给出损失函数。
23、进一步地，所述步骤s5根据获得的最终当前会话嵌入和相似会话集嵌入的信息进行融合；方法如下：
24、
25、
26、其中表示融合门中的权重矩阵，bf表示偏移矢量，本文档来自技高网...
【技术保护点】
1.一种处理信息丢失的双通道图融合的会话推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的处理信息丢失的双通道图融合的会话推荐方法，其特征在于，所述步骤S5的详细融合方法为：
3.根据权利要求1所述的处理信息丢失的双通道图融合的会话推荐方法，其特征在于，所述步骤S6的详细过程为：
4.根据权利要求1所述的处理信息丢失的双通道图融合的会话推荐方法，其特征在于，所述步骤S7的具体计算公式如下：
【技术特征摘要】
1.一种处理信息丢失的双通道图融合的会话推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的处理信息丢失的双通道图融合的会话推荐方法，其特征在于，所述步骤s5的详细融合方法为：
3.根据...
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。