[发明专利]一种基于图表征的会话推荐方法

说明书

本发明公开了一种基于图表征的会话推荐方法。该方法基于给定目标用户的历史交互数据，找出目标用户最可能交互的下一个物品。本方法首先基于用户历史会话序列构建物品的有向图神经网络。通过图神经网络捕捉物品之间的转移关系。然后利用长短记忆网络对用户当前会话进行建模以提取出短期兴趣，同时使用最大池方法从用户最近会话序列中获取用户的长期兴趣。最后，结合用户的短期兴趣和长期兴趣进行物品的推荐。本发明方法克服了现有方法中的弊端：(1)无法捕捉到会话序列中的物品复杂转移关系；(2)没有考虑到用户的长期兴趣也随着时间发生变化。因此本发明方法实施的推荐效果比现有方法有了明显的提升。

技术领域

本发明属于互联网服务技术领域，具体涉及一种基于图表征的会话社交推荐方法。

背景技术

随着在线服务的发展和流行，在线平台记录着大量的用户行为数据。从海量数据中找出用户最感兴趣的物品并推荐给用户，可以极大地提升用户的满意度和公司的收益。此时，推荐系统显得非常重要。推荐系统可以从海量物品中挖据出用户最喜欢的物品。

传统的方法，例如基于内容的推荐方法和协同过滤方法，仅仅捕捉到用户的静态交互信息。实际上，用户的属性和交互活动是不断地更新的，这种序列数据反映出用户兴趣的变化性。因此，基于序列数据的推荐系统吸引了越来越多的关注，会话推荐方法正是一种基于序列数据的推荐方法。会话是一段时间内的用户交互序列，将用户的历史交互序列划分成若干会话，可以及时捕捉到用户兴趣的动态变化。

Hidasi等人第一次将循环神经网络技术应用于会话推荐任务。之后，很多基于循环神经网络技术的增强方法被学者提出来。但是，这些方法存在一些问题。首先，没有考虑到用户的长期兴趣也会随时间发生改变。其次，忽视了远距离物品之间的转移关系和物品网络的空间结构。

发明内容

基于上述，本发明提供了一种基于图表征的会话推荐方法，给定用户和物品的历史交互数据，挖据出物品的空间结构关系；并同时考虑用户的短期兴趣和长期兴趣，提升推荐方法的准确度。

一种基于图表征的会话推荐方法，包括如下步骤：

基于所有用户的会话中交互的物品集合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。

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。为了降低在线计算复杂度，本发明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。

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，按照图T边由大到小排序采样(sampling)获得。函数f表示将节点v_j的邻居节点信息融合到节点v_j中的非线性函数，函数f具体为：