[发明专利]一种基于元路径邻域目标泛化的序列推荐方法

权利要求书

1.一种基于元路径邻域目标泛化的序列推荐方法，包括以下步骤：

根据用户的历史行为序列，将项目及其共现建模为项目-项目图，根据各项目与标签之间的对应关系构建项目-标签图，并构建元路径用于捕获项目或标签之间的不同复合关系，找到项目节点和标签节点的基于元路径的邻居；

利用异构图编码用户历史交互信息，并构建项目和项目、项目和标签之间的关系，并采用消息传播机制和消息聚合机制来融合不同类型的节点及其关系；

针对所述异构图进行嵌入学习训练以获得经训练的序列推荐模型，在训练过程中，对于每个目标预测，泛化在原始行为序列中不存在的潜在项目目标用于辅助训练，并将项目节点的向量表示输入到转换层，其中所述潜在项目目标基于元路径的邻居获得。

2.根据权利要求1所述的方法，其特征在于，所述消息传播机制设置为：

对于每个项目，消息在中心节点及其邻居之间进行传播，包括直接邻居以及基于元路径的邻居，使用线性变换定义从节点v_j到v_i的消息传播，表示为：

其中表示从节点v_j传播到v_i的消息，维度为d，M_v∈R^d×d是变换矩阵，表示使用独热编码的关系类型，f_m(·)将关系类型和相邻节点表示向量作为输入，并输出变换矩阵M_v，使用多层感知器MLP来融合拼接向量和

3.根据权利要求1所述的方法，其特征在于，所述消息聚合机制是基于均值的聚合，采用以下公式平均节点的邻居信息：

其中，是节点v_i的邻居集合，W∈R^d×d表示需要通过训练获得的权重矩阵，σ是激活函数，d是维度，表示从节点v_j传播到v_i的消息，是节点v_i的表示向量。

4.根据权利要求1所述的方法，其特征在于，所述消息聚合机制是基于注意力的聚合，包括：

对于每个目标节点，利用自注意力机制来学习其邻居的重要性权重，给定一个节点对(v_i，v_j)，权重系数定义为：

节点v_i的表示向量是通过聚合其邻居传递过来的消息乘以权重系数获得，表示为：

采用多头注意力机制来稳定自注意机制的学习过程，表示为：

其中，K是自注意力机制的次数，W∈R^d×d是训练获得的权重矩阵，a∈R^2d表示权重向量，d是维度，表示从节点v_j传播到v_i的消息。

5.根据权利要求1所述的方法，其特征在于，将时间信息嵌入到所述异构图节点表示中，包括：

将项目之间的时间差缩放到(0，N)之间，N是设定整数；

使用时间信息嵌入矩阵P∈R^N×d来对输入的表示向量进行编码，给定进行以下的相加计算：

其中p_i∈P是d维的时间信息嵌入向量，其索引i由项目节点v_i-1和v_i之间的时间差计算缩放后获得，是节点v_i的表示向量。

6.根据权利要求1所述的方法，其特征在于，训练的优化目标是：

将目标用户在项目i之前的历史交互序列中所有项目的节点表示向量输入到Transformer层中，并以最后输出的h_u作为整个行为序列的表示；

将用户u在设定时间段内点击的前k个项目的标签作为其统计特征A_u，输入第一多层感知器MLP以获得统计特征向量表示

将h_u和的嵌入进行拼接，并使用第二多层感知器MLP来融合表示向量，经过激活函数后获得预测分数，表示为：

其中，σ是激活函数，表示向量拼接操作，表示预测用户u可能点击项目i的可能性。