[发明专利]一种基于图卷积神经网络的会话序列推荐方法及系统

说明书

本公开提出了一种基于图卷积神经网络的会话序列推荐方法及系统，针对每个会话序列构建为一个有向图，对于每个有向图，将其输入至图卷积神经网络以获得所有节点的隐含表示向量；基于得到的节点的隐含表示向量，使用软注意力机制网络生成全局偏好向量和局部点击偏好向量，其中全局偏好向量和局部点击偏好向量均由节点的隐含表示向量组成，之后，将每个会话序列表示为全局偏好向量以及该会话中用户局部点击偏好向量的组合；对于每个会话序列，由计算出的全局偏好向量以及该会话中用户局部点击偏好向量的组合预测每个项目成为下一次点击的概率。通过引入全局和局部的隐含向量表示，去除了原始向量空间中的一些噪音，获得更准确的预测效果。

技术领域

本公开涉及计算机处理技术领域，特别是涉及一种基于图卷积神经网络的会话序列推荐方法及系统。

背景技术

随着互联网可获取信息的快速增长，信息过载一直为用户所诟病。推荐系统可以帮助用户快速而准确的得到所想要的信息。现有的大多数推荐系统假设能够不断记录用户的活动。然而，在很多情况下，对于网站端，用户的个人身份可能是未知的，并且只有当前正在进行的会话期间的用户行为历史对于网站是可知的。因此，在一个会话中对有限行为进行建模并相应地进行内容推荐是有重要意义的。相反，依赖于充分的用户－项目交互的传统推荐方法在这种情况下容易产生不准确的推荐结果。

最近，基于马尔可夫链的一些工作通过用户的前一个动作预测用户的下一个行为。尽管取得了不错的效果，但是因为这些方法的独立性假设过于强烈，限制了预测准确性的进一步提高。近年来，大多数研究将循环神经网络(RNN)应用于基于会话序列的推荐系统并且获得了突出的效果。

尽管上述方法取得了令人满意的结果，但它们仍然存在一些局限性。

首先，由于在基于会话的推荐系统中，一个会话中往往没有足够的用户行为，而会话通常是匿名的并且数量众多，因此会话点击序列中涉及的用户行为却是有限的。因此难以从每个会话准确地估计每个用户的隐含表示向量。

其次，用户点击序列的项目之间的转换、连接关系很重要。可以在基于会话的推荐中看做影响用户点击的局部因素，但这些方法仅仅考虑了连续点击项目之间的单向转换，忽略了上下文(用户的其他点击项)之间的转换关系。

发明内容

为了解决现有技术的不足，本公开实施例子提供了一种基于图卷积神经网络的会话序列推荐方法，通过对用户点击项目进行建模为图，充分考虑到了序列中用户点击项目之间的关系，从而能够准确的估计用户点击项目的表达，并能够准确的预测用户的下一个点击动作。

为了实现上述目的，本申请采用以下技术方案：

一种基于图卷积神经网络的会话序列推荐方法，包括：

获得用户的历史点击项数据，并针对每个会话序列构建为一个有向图，对于每个有向图，将其输入至图卷积神经网络以获得有向图中涉及的所有节点的隐含表示向量；

基于得到的节点的隐含表示向量，使用软注意力机制网络生成全局偏好向量和局部点击偏好向量，其中全局偏好向量和局部点击偏好向量均由节点的隐含表示向量组成，之后，将每个会话序列表示为全局偏好向量以及该会话中用户局部点击偏好向量的组合；

对于每个会话序列，由计算出的全局偏好向量以及该会话中用户局部点击偏好向量的组合预测每个项目成为下一次点击的概率。

作为本公开进一步的技术方案，所述有向图中每一个节点代表会话序列中用户的一个点击项，图中的边表明用户连续点击了该边连接的两个节点。

作为本公开进一步的技术方案，构建有向图之后，将有向图中边的权值进行归一化操作，边权值计算为边的出现次数除以该边的起始节点的出度。

作为本公开进一步的技术方案，全局偏好向量以及该会话中用户局部点击偏好向量的组合嵌入用作会话序列的表示。