[发明专利]基于会话推荐系统的用户偏好预测方法

说明书

本发明属于人工智能技术领域，具体涉及一种基于会话推荐系统的用户偏好预测方法。该方法基于神经网络技术，一共分为两个大阶段。首先基于输入会话序列数据，构建了一个会话图并使用图神经网络学习每个物品的向量表示。其次，分别使用自注意网络和池化网络来学习用户的长期和短期偏好，并用注意力机制结合这两部分进行推荐。最终得到的模型用于预测用户的偏好。

技术领域

本发明属于人工智能技术领域，具体涉及一种基于会话推荐系统的用户偏好预测方法。

背景技术

推荐系统是处理信息过载的有效工具，在电子商务、电影和音乐等应用领域中发挥着重要作用。推荐问题通常被抽象为矩阵填充/重构问题。其主要思想是在用户评分矩阵中填充对默认值的预测，然后进行协同过滤计算。这种抽象的方法适用于具有长期用户偏好的训练模型。然而，在许多情况下，用户标识和过去的行为可能是未知的，并且只有正在进行的短期会话中的用户行为历史是可用的。为了解决这个问题，提出了基于会话的推荐，它只依赖于用户在当前会话中先前行为的顺序来预测用户的下一个动作

近年来，基于会话的推荐因其较高的实用价值而受到越来越多的关注。马尔可夫链方法根据用户的前一个行为预测用户的下一个行为。由于受到这种强烈假设的限制，对过去交互作用的独立组合可能会限制推荐的准确性。近年来，RNN模型被广泛应用于顺序推荐任务。包括基于RNN模型的推荐，结合注意力机制的推荐，使用图神经网络的推荐等。以上大多数方法将会话序列视为时间序列的互动环节，并与注意机制一起推荐，这些方法能够很好地学习到用户的偏好，得到了目前最佳的性能。

虽然上述方法取得了成功，但仍存在一定的局限性。首先，用户的会话单击行为不能简单地依赖于会话的顺序。用户和物品之间存在更复杂的交互关系，比如用户很有可能点击到重复物品，这种交互关系不能简单用序列来模拟。其次，这些模型没有充分挖掘会话图的信息。现有的方法使用图神经网络来尝试捕捉项的转移，但它们仅用最后一项来表示图的信息，而忽略了会话图的顶点信息。对于这些问题可以看出，捕获复杂的物品之间的转换关系和从全局拓扑图中学习非常重要，使用之前的方法的话，分类器可能会不完全捕捉会话信息，从而得到较高的分类错误率。综上所述，有关会话推荐系统的用户偏好预测问题是一项创新的研究问题，具有重要的研究意义和应用价值。

发明内容

本发明目的是解决现有的会话推荐系统的用户偏好预测方法对用户和物品之间关系捕获不足的问题，提出一种使用改造的图神经网络和注意池化层一起进行推荐的方法。

为实现上述目的，本发明采用如下技术方案：

基于会话推荐系统的用户偏好预测方法，该方法基于神经网络技术，一共分为两个大阶段。首先基于输入会话序列数据，构建了一个会话图并使用图神经网络学习每个物品的向量表示。其次，分别使用自注意网络和池化网络来学习用户的长期和短期偏好，并用注意力机制结合这两部分进行推荐。最终得到的模型用于预测用户的偏好，该方法的具体步骤如下：

S1，读取匿名会话数据，并进行预处理，得到会话序列训练测试集；

S2，根据步骤S1得到的会话序列构建有向带权图；

S3，基于有向带权图，基于图神经网络学习图中每个顶点的向量表示；

S4，基于自注意网络和池化层分别获取用户的长期和短期偏好；

S5，运用注意力机制自动学习长期偏好和短期偏好各自的重要性，结合他们完成预测。

本技术方案进一步的优化，所述步骤S1具体包括，

S1.1、对原始会话数据进行过滤，

原始的会话序列，包含了多个匿名用户的交互序列，每个交互序列是用户与物品的交互，记录形式为物品的编号，过滤行为将过滤掉会话长度短的会话，以及在数据集中出现次数少于阈值的物品；

S1.2，对原始会话数据进行生成训练测试集，