[发明专利]一种基于时空序列图卷积网络的会话推荐方法

说明书

一种基于时空序列图卷积网络的会话推荐方法，包括以下步骤：S1：将所有会话序列建模为有向会话图；S2：以会话中共有的商品为链接，构建全局图；S3：将ARMA过滤器嵌入到门控图神经网络中，提取图模型中随时间变化的拓扑图信号，并得到会话图中涉及的各个节点的特征向量；S4：采用注意力机制从用户历史会话中得到全局偏好信息；S5：从用户点击的最后一个会话中获取用户的局部偏好信息，并结合全局偏好信息得到用户最终偏好信息；S6：预测每个会话中下一点击商品可能出现的概率，并给出Top‑K推荐商品。本发明能够从全局图中捕获所点击商品的丰富的上下文关系，准确学习用户的全局和局部偏好，并有效评估用户历史偏好对当前偏好的时间衰减效果，提供准确的商品预测。

技术领域

本发明涉及互联网服务技术领域，特别是一种基于时空序列图卷积网络的会话推荐方法。

背景技术

随着互联网购物的迅速普及，网上信息量过载也是必然趋势，那么用户如何从海量数据中获取有效信息已成为当务之急。推荐系统可以为不同的用户提供个性化的推荐，以便每个用户都可以从推荐系统筛选的有限的多样信息中获得他们想要的信息，而基于会话的推荐作为推荐领域的一个分支，能够实时向用户推荐潜在兴趣商品，旨在帮助在线系统提供精准个性的推荐服务。目前大多数现有的基于会话的推荐系统通常仅将会话建模为序列，使用递归神经网络进行推荐或是给定一个前提假设：用户画像及其历史活动信息是被不断记录的。尽管以上方法是有效果的，但实际应用场景的许多服务中，存在用户的信息可能是未知的或是只有当前正在进行的会话中的用户历史行为，因此，在有限的用户信息下，捕获商品之间潜在关系非常重要。

基于会话的推荐的基本目的是提高推荐的准确性并改善用户体验。尽管到目前为止已经提出了许多方法，但是基于会话的推荐仍处于起步阶段，目前主流的推荐方法主要存在以下挑战：

(1)马尔可夫链(MC)通常假设用户操作的连续行为之间存在很大的依赖性。但是在现实世界的交易数据中的情况可能并非如此，因为用户可能只是随机地将一些他/她喜欢的商品拿到购物车中，因此该模型预测结果并不十分的准确。

(2)循环神经网络(RNN)虽然相比传统的会话推荐系统取得了重大进展，然而大多数现有的基于RNN的模型并没有揭示频繁点击模式的全局信息，多数方法考虑的是建模在顺序依赖性方面固有的优势，也没有考虑用户兴趣随时间的变化。当一个会话中用户的行为数量十分有限时，该方法难以获取准确的用户行为表示。

(3)自注意力(Self-Attention)作为一种特殊的注意力机制，已被广泛用于序列数据建模，并在许多应用中取得了显著成果，例如机器翻译和顺序推荐。然而，该操作分散了注意力的分布，这导致对相邻商品缺乏局部依赖性，并限制了其学习商品的情境表示的能力。

针对会话中存在的相当复杂的结构，会话之间的交互相关联的挑战，会话异构性、会话之间的顺序依赖性和会话的动态性问题，本发明提出了一种基于时空注意模型和门控图神经网络的高效的在线网站会话推荐方法。

发明内容

本发明的目的是克服现有技术的上述不足而提供一种基于时空序列图卷积网络的会话推荐方法。

本发明的技术方案是：一种基于时空序列图卷积网络的会话推荐方法，包括以下步骤：

S1：将所有会话序列建模为有向会话图；

S2：以会话中共有的商品为链接，构建全局图；

S3：将ARMA过滤器嵌入到门控图神经网络中，提取图模型中随时间变化的拓扑图信号，并得到会话图中涉及的各个节点的特征向量；

S4：采用注意力机制从用户历史会话中得到全局偏好信息；

S5：从用户点击的最后一个会话中获取用户的局部偏好信息，并结合全局偏好信息得到用户最终偏好信息；