[发明专利]一种基于图表征的会话推荐方法

权利要求书

1.一种基于图表征的会话推荐方法，其特征在于：

基于所有用户的会话中交互物品集合s，构建物品图网络T：

s＝{v₁,v₂,…,v_m}

T＝(V,E)

其中，v表示会话中的物品，m表示某一会话序列中物品的数量，V表示平台中物品的集合，E表示物品和物品之间的转移关系；

根据物品图网络T，得到物品向量表征，令：

其中，k代表在图网络T中的搜索深度，代表节点v_j在k层的向量表征，B(j)为物品图网络T中当前时间下物品v_j的邻居集合，函数f表示将节点v_j的邻居节点信息融合到节点v_j中非线性函数；

根据物品向量表征，建立用户会话表征；目标用户u_i的某一会话的向量表征为：

其中，Q是物品的向量矩阵，Q(:,s_i)代表出现在会话s_i中所有的物品向量，RNN是循环神经网络方法；

根据用户u_i会话表征，建立用户短期兴趣令：

其中，s_i为用户u_i当前会话列表，为用户u_i当前会话s_i的向量表征；

根据用户会话表征，建立用户长期兴趣令：

其中，S(i)为用户u_i最近的会话列表；POOLING为元素级别的池化操作；

合并用户短期和长期兴趣，获得用户u_i最终兴趣g_i：

其中，和分别为用户u_i的短期和长期兴趣，为向量拼接操作，W是线性转化矩阵；

根据用户最终兴趣和物品向量表征，推荐物品；将物品v_j的向量q_j乘以用户兴趣向量，再应用softmax函数计算出物品v_j的分数：

其中，g代表用户的兴趣向量，代表物品v_j成为下一个交互物品的可能性；同时根据的对数似然函数值，计算损失函数：

其中，y_j代表v_j的one-hot编码，函数用梯度下降法来最优化。

2.根据权利要求1所述的一种基于图表征的会话推荐方法，其中，所述物品图网络T构造方法为：

给定一个会话s＝{v₁,v₂,…,v_m}，任一物品v_j为图T的节点，(v_j-1,v_j)为图网络T的边，表示一个用户消费物品v_j-1之后消费物品v_j；且图的边数值属性为边(v_j-1,v_j)出现的次数；采用离线文件存储所有时间下每个节点在图网络T中的邻居节点。

3.根据权利要求1所述的一种基于图表征的会话推荐方法，其中，所述物品图网络T中物品v_j的邻居集合B(j)，是按照图T中的边由大到小排序采样(sampling)获得。

4.根据权利要求1所述的一种基于图表征的会话推荐方法，其中，所述循环神经网络(RNN)采用长短期记忆网络(LSTM)。

5.根据权利要求1所述的一种基于图表征的会话推荐方法，其中，将所述节点v_j的邻居节点信息融合到节点v_j中非线性函数f为：

其中，W^k是图参数，σ为sigmoid函数。

6.根据权利要求5所述的非线性函数f，其中，所述AGGREGATE_k函数采用的是最大池化(max-pooling)方法：

其中，max代表元素级别的max操作。