[发明专利]一种基于超图神经网络的序列推荐方法及装置

权利要求书

1.一种基于超图神经网络的序列推荐方法，其特征在于，包括以下步骤：

获取带有用户与商品交互信息、时间信息的数据集，根据获得的数据集构建超图，利用不同的时间段对超图进行划分；

划分获得每个时间段的超图子图，对每个时刻下的超图子图中的超边用户进行聚类操作，以将相似的超边进行聚类；

通过引入对比学习与图卷积进行预训练学习，获得商品与用户的初始嵌入向量；

将划分好的每个时间段的超图子图，以及预训练学习的商品/用户初始嵌入向量，输入主模型中，进行超图卷积学习动态商品/用户嵌入向量；通过融合层将静态/动态商品与静态/动态用户嵌入向量进行融合，得到用户与商品的交互嵌入向量；

将用户与商品交互嵌入向量输入transformer模块中，根据不同的时间滑动窗口，学习获得短中长三种动态用户嵌入向量，将三种动态用户嵌入向量融合成最终动态用户嵌入向量；

将最终动态用户嵌入向量与融合动态和静态的商品嵌入向量进行偏好预测，获得推荐顺序。

2.根据权利要求1所述的一种基于超图神经网络的序列推荐方法，其特征在于，所述根据获得的数据集构建超图，包括：

对数据集进行预处理，将经过预处理的数据集用于不同时间下的商品与用户超图子图构建中；

所述将经过预处理的数据集用于不同时间下的商品与用户超图子图构建中，包括：

用户：U＝{u₁,u₂,…u_L,}；其中，u_j为第j个的用户嵌入向量，1≤j≤L，L为用户数量总数量；

商品：I＝{i₁,i₂,…i_N,}；其中，i_j为第j个的商品嵌入向量，1≤j≤N，N为物品总数量；

时间：T＝{t₁,t₂,…t_C,}；其中，t_j为第j个时间刻，1≤j≤C，C为时间总长度；

表示一个用户与商品的交互序列，按交互时间排序；其中，表示的物品ID为1的嵌入向量，m为物品ID；表示用户n与商品1交互的时间t₁；

其中G表示每个时间t下的所构建的商品与用户的超图子图，t代表时间刻，表示在时间刻t_c下，商品与用户的超图子图。

3.根据权利要求1所述的一种基于超图神经网络的序列推荐方法，其特征在于，所述对每个时刻下的超图子图中的超边用户进行聚类操作的步骤中，采用的聚类公式如下：

其中，初始化超边用户的簇划分为(C₁,C₂,…C_k)，则目标最小化平方误差E；u_i是簇C_i的均值向量；X是属于c_i簇中心的所有超边用户，X_i为超边用户i，k是k个簇类中心。