[发明专利]一种基于交互近邻会话的推荐方法

说明书

本发明公开了一种基于交互近邻会话的推荐方法，包括：构建向当前会话图，侧重目标会话中频繁项目之间的转换；用图神经网络和软注意力机制对有向当前会话图进行建模，生成用户偏好项目的会话表示；对目标会话的交互近邻会话进行搜索，从交互近邻会话中选择项目与目标会话构造无向交互近邻图；使用图神经网络和软注意力机制对无向交互近邻图进行建模，生成含有近邻信息的会话表示；通过融合门控机制结合两类会话表示信息，生成丰富的会话嵌入，从而达到高效率推荐的目的。本发明在推荐性能与模型鲁棒性上都有着一定的优势，能够满足用户的推荐偏好，准确的预测用户点击的下一项。

技术领域

本发明属于推荐系统的技术领域，尤其涉及一种基于交互近邻会话的推荐方法。

背景技术

在这个数据爆炸式增长的时代，推荐系统在帮助用户缓解信息过载和选择感兴趣的内容方面发挥着重要作用。目前，现有的推荐系统大多分析用户的历史点击、购买、评级和其他交互行为数据，并结合用户的身份信息来发现用户偏好。然而，在许多应用场景中，用户身份可能是未知的，并且只有当前会话中用户行为数据是可用的。为了解决这个问题，产生了基于会话的推荐方法。基于会话的推荐根据用户在当前会话中的先前行为顺序来预测用户可能点击的下一项。由于基于会话的推荐不需要太多的用户信息，其在这个用户信息受到保护的时代更具实用性，受到越来越多研究者的关注，并提出了各种相关的推荐算法。

传统的基于马尔可夫链(markov chain,MC)模型被广泛用于基于会话的推荐任务，它计算两个连续项目之间的转移概率，通过用户的上一个行为预测用户下一个单击的项目。然而数据的稀疏性和状态空间的爆炸问题阻碍了算法的有效性和效率。为此Rendle等人将矩阵分解法(matrix factorization,MF)和顺序马尔科夫链方法的优点相结合，提出FPMC(Factorized Personalized Markov Chains)模型。

循环神经网络(recurrent neural network,RNN)由于其在序列处理方面具有独特的优势，因此已被广泛应用于基于会话的推荐。Hidasi等人提出了GRU4REC模型，应用门控循环单位(GRU)来建模用户偏好。Li等人使用两个RNN模块对用户行为序列进行建模，以捕获用户主要意图。然而，这些方法仅考虑连续项目间的单向转移，而没有考虑用户行为之间的复杂转换，忽视会话之间有价值的协助信息。因此基于RNN的方法对挖掘有价值的信息仍不够充分。

基于协同过滤的会话推荐方法也取得了显著的性能。KNN-RNN结合KNN与RNN实现更好的推荐性能。之后Wang等人提出CSRM(Collaborative Session-basedRecommendation Machine)推荐模型，CSRM模型结合了两个并行存储模块，分别用于考虑当前会话信息和协作邻域信息，在递归神经网络和注意力机制的帮助下进行推荐。但是KNN-RNN模型和CSRM模型仍然像基于RNN的方法一样缺乏考虑会话上下文项目级交互问题。

由于用户偏好具有多样性和实时变化的特点，因此仅以序列的形式对用户会话进行建模并不足以充分反映用户偏好。由于图是一种数据结构，在许多现实应用中，它可以恰当地描述各种实体之间的复杂关系。近年来研究人员通过图建模会话序列，通过图神经网络对图数据进行处理学习图结构数据的表示，来解决会话型推荐问题。Xu等人提出GC-SAN(Graph Contextual Self-Attention model based on graph neural Network)模型，GC-SAN模型将会话数据转换为图形结构的数据，将GNN与注意力机制相结合，通过GNN捕获物品间的局部依赖关系，通过自注意力机制捕获物品间全局依赖关系进行推荐，有效地提高推荐的准确性。然而大多基于GNN的推荐方法仅考虑目标会话内项目的复杂转换，忽略了交互近邻会话对目标会话的辅助作用，没有充分利用潜在的协作信息，限制了模型推荐性能的上限。