[发明专利]基于邻居增强的图神经网络会话推荐方法、系统及设备

说明书

本发明涉及一种基于邻居增强的图神经网络会话推荐方法、系统及设备，方法包括：S1、通过K临近算法需寻找出与目标推荐会话最相近的K个邻居会话，其中最后一项点击项目必须相同；S2、将目标会话和K个最相近的邻居会话建模到一张邻居增强会话图中；S3、利用门控图神经网络，学习得到的邻居增强图和原始目标会话图中的节点表示，并将最后一项点击的节点表示当作为用户的局部偏好；S4、引入Fastformer不考虑距离地捕获整个输入和输出序列本身的转换，并将结果作为用户的全局偏好；S5、将用户的全局偏好和局部偏好相融合，作为用户的最终表示。与现有基于会话的推荐系统相比，本发明在推荐的效率、准确率都具有明显的优势。

技术领域

本发明涉及一种基于邻居增强的图神经网络会话推荐方法及系统，属于用户偏好商品推荐领域。

背景技术

近几年，随着移动设备的普及，互联网产生的信息和数据量呈现出了一种爆发式增长，RSs(Recommendation Systems，推荐系统)在数字消费、服务和决策方面为用户缓解了这种信息过载的压力，成为人工智能最普遍的应用之一。RSs不仅可以为用户筛选出更多有效信息，还能帮助供应商提高平台使用体验，保留更多的用户。

当前的大多数RSs都是假设用户的档案和过去的交互记录是不断被记录的，然而当下，关于个性化推荐和个人隐私之间的冲突不断升级，许多服务中用户的身份和信息可能是未知的，只有正在进行会话的用户的历史记录可用，因此，在这种情况下，传统依赖充分的用户交互的推荐系统在结果精确度方面存在很多问题。

SBRSs(Session Based Recommendation Systems，基于会话的推荐系统)利用用户消费过程中生成的会话学习用户的偏好，每个会话由一个连续时间内发生的用户与项目间的交互构成，这使得SBRSs能够捕捉到用户准确的短期偏好。现有的基于会话推荐的推荐系统大多使用RNN(Recurrent Neural Network，递归神经网络)来对项目序列的信息进行建模，例如GRU4Rec利用GRU(Gated Recurrent Unit，门控循环单元)，利用点击和点击项目的特征对会话进行建模，NRAM首次将注意力机制整合到深度学习网络中，注意力机制计算两个RNN子模块的输出之间的注意力权重，以便NRAM自适应的选择更重要的项目，从而更有效的表示用户的喜好。在STAMP中，用户的最后一次点击被认为尤为重要，并把最后一个点击项目的项目表示当作用户的短期兴趣。但是以上方案只能模拟连续项目之间的单向转换，而忽略了同一会话中其他上下文项目之间的单向转换。

为了解决这个问题，SR-GNN在图结构中对目标会话进行建模，并利用GNN(GraphNeural Network，图神经网络)对图上项目节点之间的复杂转换进行建模。虽然基于RNN和GNN的模型在会话推荐上取得了不错的效果，但是它们仍然存在一些问题。SR-GNN只关注了目标会话内部的项目转换，然而忽略了不同会话之间的丰富的跨会话信息。

发明内容

本发明所要解决的技术问题是基于背景技术的缺陷，提供一种基于邻居增强的图神经网络会话推荐系统方法，一方面利用与目标会话相似的邻居会话来考虑不同会话之间的共现关系，以及不同会话之间项目的交互关系。另一方面，利用Fastformer捕获会话内长距离依赖，用以建模用户的长期偏好。

本发明为解决以上技术问题而采用以下技术方案：

本发明涉及一种基于邻居增强的图神经网络会话推荐系统，其步骤如下：

第一步、通过K临近算法需寻找出与目标推荐会话最相近的K个邻居会话，并且限制他们的最后一项点击项目必须相同，以形成邻居会话集合Ns；

第二步、将目标会话和K个最相近的邻居会话建模到一张图结构中，以此来考虑不同会话间，项目的复杂交互关系，并将此图命名为邻居增强图。此外，原始的目标会话建模为一张原始目标会话图；