[发明专利]基于边增强型全局解耦图神经网络的序列推荐方法

说明书

本发明公开了一种基于边增强型全局解耦图神经网络的序列推荐方法，包括：输入层：以训练数据中所有的项目为节点，以用户与项目之间的交互顺序为边，构建全局链接图，输入至图神经网络；解耦学习层：聚合来自项目所有邻居项目的预设数量个因素的影响概率和来自目标用户的项目按交互时间顺序的前多个项目的预设数量个因素的影响概率；预测层：累加全局层面和局部层面的解耦项目表示，与候选项目的初始嵌入表示相乘，得到目标用户在项目v_i后作为下一个交互项目出现的概率；迭代训练完成图神经网络；训练完成的图神经网络的预测输出的概率最大的项目即为向目标用户推荐的项目。本发明具有感知用户意图的转移，向用户更精准的推荐产品的有益效果。

技术领域

本发明涉及序列推荐技术领域。更具体地说，本发明涉及一种基于边增强型全局解耦图神经网络的序列推荐方法。

背景技术

推荐系统在快速发展的互联网时代扮演着至关重要的角色，序列推荐是其中的重要组成部分之一。序列推荐将用户行为建模为一个项目序列而不是项目集合。马尔可夫链是一种经典方法，它对短期项目转换进行建模并预测用户可能喜欢的下一个项目。随着深度学习网络的发展，循环神经网络在序列推荐方面取得了成功。例如，长短期记忆网络是循环神经网络的一种常见变体，用于增强模型通过记忆单元保留序列信息的能力。GRU4REC并行小批量地将门控循环单元应用于基于会话的推荐。但是基于循环神经网络的方法面临着难以保留远程信息的问题，而自注意力网络最近应用于序列推荐来捕获长期和短期依赖关系。

但是这些先前的工作通过历史顺序交互序列对用户意图进行建模，忽略了项目背后的动态潜在关系。链接成对项目的边包含着丰富的语义信息，他们说明了用户为什么以及如何选择一个又一个项目的因素。这些潜在因素都与现实世界的概念有关，而某个因素往往在单一情况下起主导作用。例如，假设有两个用户与六个项目进行交互，如图2所示。链接图显示项目2与所有其他五个项目相邻。但是这些链接边是由不同的因素直观地驱动的。项目2链接到项目1和项目4是因为它们颜色相同，而链接到项目5和项目6是因为它们都是短袖。项目3与项目2相连则是因为它可以用作T恤的外套。这些不同的因素显示了用户行为的意图转换，也揭示了成对物品的共享特征。因此，如何识别和区分这些潜在的因素是值得探索的。

解耦表示学习在计算机视觉等许多领域都非常火热，并且最近已经应用于推荐系统中。解耦表示学习的一般目的是分离数据变化的独特性和信息性因素，其中每个单元都与现实世界中的单个概念相关。一个因素的单一变化将导致相关单位的变化。最常见的学习解耦表示的网络是β-VAE和InfoGAN。在推荐系统方面，Macrid-VAE在宏观层面推断用户意图的高层概念，并在微观层面应用VAE来增强解耦。该作者还提出了一种用于序列推荐的自监督seq2seq训练策略，它利用意图解耦编码器生成子序列，并且比较两两子序列之间的用户意图。然而，这些研究没有考虑项目的链接关系模式，也未能区分序列背后的不同用户意图。因此，学习到的序列模型将对噪声数据敏感且缺乏可解释性。

发明内容

本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

本发明还有一个目的是提供一种基于边增强型全局解耦图神经网络的序列推荐方法，可以达到识别用户交互项目转换的潜在的意图的转换，从而精准的向用户推荐产品，提高交易速度和交易成功率。

为了实现根据本发明的这些目的和其它优点，提供了一种基于边增强型全局解耦图神经网络的序列推荐方法，包括：

输入层：以训练数据中所有的项目为节点，以用户与项目之间的交互顺序为边，构建全局链接图，输入至图神经网络；

解耦学习层：全局层采用基于图神经网络的解耦表示方法聚合来自项目v_i所有邻居项目的预设数量个因素的影响概率，得到项目v_i的全局层面的解耦项目表示；