[发明专利]一种基于会话推荐的全局上下文增强图神经网络方法

说明书

本发明公开了一种基于会话推荐的全局上下文增强图神经网络方法，该方法包括以下步骤：S1、通过采用会话感知注意机制，基于全局图结构递归地合并每个节点的邻居的嵌入，从而在所有会话中学习全局级别的项目嵌入；S2、在会话图上使用GNN模型来学习当前会话中的会话级项目嵌入；S3、通过聚合会话级和全局级的学习项目表示来建模当前会话的用户偏好；S4、输出用于推荐的候选项目的预测概率。本发明采用会话感知注意机制来递归地合并全局图上每个节点的邻居嵌入，还设计了一个会话级项目表示学习层，它在会话图上使用GNN来学习当前会话中的会话级项目嵌入，使用软注意力机制在两个级别中聚合学习到的项目表示。

技术领域

本发明属于数据处理的技术领域，尤其涉及一种基于会话推荐的全局上下文增强图神经网络方法。

背景技术

推荐系统通过向用户推荐有用的内容，成功地解决了信息过载的问题，因此在各种在线平台上扮演着重要的角色。传统的推荐方法(例如，协同过滤)通常依赖于用户简介和长期历史交互的可用性，在许多最近的现实场景中可能表现不佳，例如，在移动流媒体如YouTube和Ticktock中，这些信息是不可用的(例如，未登录用户)或有限可用(例如，短期历史交互)。基于会话的推荐是一种基于给定的匿名行为序列，按时间顺序预测下一个感兴趣的内容的推荐方法。早期关于基于会话的推荐的研究主要分为两类，即基于相似性的和基于链的。前者大量回复当前会话中项目的共现信息，而忽略了顺序行为模式。后者推断出用户对所有项目的所有可能的选择序列，这对于实际应用来说可能会遇到棘手的计算问题，因为项目的数量很大。最近，针对任务提出了许多基于深度学习的方法，这些方法利用成对的项目过渡信息来建模给定会话的用户偏好。这些方法取得了令人鼓舞的成果，但仍然面临以下问题。首先，他们中的一些人通过使用循环神经网络，按时间顺序提取会话的成对项目转换信息来推断匿名用户的偏好。然而，一个会话可能包含多个用户选择甚至噪声，因此它们可能不足以生成所有正确的依赖关系，从而无法对嵌入中项目转换模式的复杂固有顺序进行建模。其次，其他基于图神经网络和自注意力机制，如SR-GNN。他们通过计算基于每个项目和最后一个项目之间的会话成对项目转换的相对重要性来学习整个会话的表示，并且性能在很大程度上依赖于最后一个项目与当前会话的用户偏好的相关性。

发明内容

针对现有技术中存在的不足，本发明所要解决的技术问题在于提供一种基于会话推荐的全局上下文增强图神经网络方法，利用图注意力网络的思想，根据每个连接的重要性生成注意力权重。

为了实现以上技术方案，提出了一种基于个性化差分隐私的集成推荐方法，包括以下步骤：

S1、通过采用会话感知注意机制，基于全局图结构递归地合并每个节点的邻居的嵌入，从而在所有会话中学习全局级别的项目嵌入；

S2、在会话图上使用GNN模型来学习当前会话中的会话级项目嵌入；

S3、通过聚合会话级和全局级的学习项目表示来建模当前会话的用户偏好；

S4、输出用于推荐的候选项目的预测概率。

优选的，所述步骤S1的具体步骤如下：

S11、利用图注意力网络的思想，根据每个连接的重要性生成注意力权重；

S12、通过采用softmax函数对邻居的系数进行归一化。

进一步的，所述步骤S2的具体步骤如下：

S21、对于不同的关系，训练四个权重向量；

S22、通过计算与系数对应的特征的线性组合来获得每个节点的输出特征。

进一步的，所述步骤S3的具体步骤如下：

S31、对于每个项目，通过结合全局上下文和会话上下文来获得其表示；

S32、将会话序列输入图神经网络后，可以获得会话中涉及的项目的表示；