[发明专利]基于图神经网络的会话推荐方法

说明书

本发明提供了一种基于图神经网络的会话推荐方法，主要包括以下步骤：（1）利用自注意力机制捕获项目之间的依赖关系；（2）使用软注意力机制学习图中的高阶特征；（3）使用全连接层更新项目的嵌入。与现有技术相比，本发明可以利用项目之间的依赖关系来更准确地更新项目的嵌入，并且更加关注高阶特征中的有用信息而抑制不重要的信息，在基于会话的推荐任务中取得了良好的效果。

技术领域

本发明涉及一种基于图神经网络的会话推荐方法，属于推荐系统领域。

背景技术

当前，针对会话推荐系统的研究日益增多。基于用户的协同过滤算法不适用于基于匿名用户的会话推荐系统，基于物品的协同过滤算法仅考虑会话的最后一次点击，难以充分利用会话序列中有限的信息。基于马尔可夫链的会话推荐方法可以学习项目的相关性以预测用户下次将点击的项目，但由于马尔科夫决策过程独立组合过去的项目，难以达到较好的推荐效果。

近年来，深度学习已经成功应用在计算机视觉、自然语言处理等领域，将深度学习融入到推荐系统中成为一个重要的研究方向。循环神经网络(简称RNN)在传统推荐系统方面的成功应用为会话推荐提供了新的思路。GRU4Rec模型成功将RNN应用在会话推荐系统中，达到了较好的性能。大多数针对会话推荐设计的RNN模型相对于传统的方法均有较大提升。由于注意力机制的优势，许多研究人员将其应用在推荐系统领域。NARM(NeuralAttentive Recommendation Machine)模型将注意力机制和RNN编码器结合以捕获用户的长期兴趣，STAMP(Short-Term Attention/Memory Priority Model)模型仅使用注意力机制获取用户的长期兴趣然后单独考虑用户的短期兴趣获得了较好的结果。但是NARM和STAMP的方法难以捕获项目之间的复杂过渡关系。

最近，图神经网络成为深度学习方向的热门技术。SR-GNN(Session-basedRecommendation with Graph Neural Networks)模型是图神经网络在会话推荐上的首次尝试，其将会话序列建模为图结构数据，然后学习项目之间的转换关系。但是SR-GNN在更新项目嵌入时均只考虑图中的邻接关系，忽略了项目之间的差异性，并且未考虑不相邻项目之间的依赖关系。

发明内容

本发明针对现有的会话推荐方法的不足，提出了一种基于图神经网络的会话推荐方法。本发明通过自注意力机制生成项目之间的权重，并且利用软注意力机制融合会话图中的高阶特征。与现有的会话推荐方法相比，本方法不仅可以自动地学习不同项目之间的依赖关系，还可以充分的利用图中的高阶特征。

本发明采用的技术方案为：

一种基于图神经网络的会话推荐方法，其特征在于该方法包括以下步骤：

S1、读取数据集中的会话数据，构建带有边缘权重的有向会话图。

S2、基于会话图，利用邻接关系和高阶关系学习项目的嵌入表示。

S3、利用一个全连接层更新项目的嵌入表示。

S4、利用更新后的项目的嵌入表示生成用户的偏好以进行推荐。

进一步地，步骤S1的具体方法为：

读取数据集中的会话数据，并进行数据预处理，得到训练集和测试集。将每个会话序列s建模为有向图G_s＝(V_s，E_s)，V_s代表会话s中项目的集合，包含项目和项目每条边表示用户在会话s中点击项目后点击项目然后通过注意力机制学习图中每对节点间的注意力系数，为了稳定注意力网络的训练过程，将K个独立的自注意力网络进行变换，获取K个注意力权重，然后采用K平均进行连接操作：