[发明专利]一种基于动态图神经网络的信息推荐方法及系统

说明书

本发明公开了一种基于动态图神经网络的信息推荐方法及系统，其中所述方法包括：建立第一项目节点集合；建立第一用户节点集合；基于所述用户历史行为，将所述关联项目节点与所述关联用户关联；设定目标时刻，基于所述目标时刻，获取第一用户的邻居节点，所述邻居节点包含用户节点和项目节点；基于注意力机制和时间感知长短记忆神经网络，获取所述第一用户的全局稳定兴趣和局部动态兴趣；基于所述第一用户的全局稳定兴趣和局部动态兴趣，生成推荐信息。本发明充分利用了数据库中全体用户数据中包含的跨用户协同推荐信号，增强了现有基于单用户建模的信息捕捉能力，能够更好的在序列推荐场景中为用户产出高质量推荐结果。

技术领域

本发明属于数据挖掘和深度学习领域，尤其涉及一种基于动态图神经网络的信息推荐方法及系统。

背景技术

随着互联网应用的不断发展，用户使用互联网的时间越来越多，如何使用户在海量信息中快速获得可能需要的信息，进一步提高用户体验和与用户交互沟通，则需要为用户提供信息推荐服务。例如，在医疗服务平台中，就需要及时为患者提供有用的服务信息。

其中，序列推荐(Sequential Recommendation)旨在通过顺序的方式建模并利用数据信息，为用户挑选出有效信息，作为推荐系统的一个重要分支手段收到了国内外研究人员的广泛关注，涌现了许多推荐方法。基于神经网络的序列推荐方法能够自动提取数据的深层特征，已发展成为最主流的推荐方法之一。

近年来，研究人员利用不同结构的神经网络进行信息推荐任务，并取得了最先进的研究成果。文献“Tang J,Wang K.Personalized top-n sequential recommendationvia convolutional sequence embedding[C]//Proceedings of the Eleventh ACMInternational Conference on Web Search and Data Mining.2018:565-573”提出了利用一个多层卷积神经网络模型Caser对序列数据进行建模。文献：“Hidasi B,KaratzoglouA,Baltrunas L,et al.Session-based recommendations with recurrent neuralnetworks[J].arXiv preprint arXiv:1511.06939,2015”提出GRU4REC，利用门控循环神经网络捕捉序列特性。进一步的，文献：“Hidasi B, Karatzoglou A.Recurrent neuralnetworks with top-k gains for session-based recommendations[C]//Proceedingsof the 27th ACM International Conference on Information and KnowledgeManagement.2018:843-852”提出GRU4REC+，其在 GRU4REC的基础上改进了损失函数的结构，进一步精细化捕捉序列信息。文献“Hidasi B,Karatzoglou A,Baltrunas L,etal.Session-based recommendations with recurrent neural networks[J].arXivpreprint arXiv:1511.06939,2015”提出了模型 SASREC，首次将自注意力模型应用于推荐场景，进一步提升了信息的捕捉能力。然而，这些方法均是将模型运用于单用户行为建模，而不能直接捕捉到数据中的跨用户协同信号，导致无法取得最佳性能。经过观察，推荐任务中的跨用户协同信号，可以利用构建用户项目交互图的形式，较为清晰的表现在图的连接关系中。现在需要一种方法能够克服上述技术中的问题。

发明内容

针对上述现有技术中存在的缺陷，本发明提供一种基于动态图神经网络的信息推荐方法，包括以下步骤：

步骤S101、获取第一用户的所有关联项目节点，建立第一项目节点集合，所述第一项目节点集合包含项目节点；