[发明专利]一种基于门控图卷积网络的商品推荐方法及系统、存储介质

说明书

本发明涉及一种基于门控图卷积网络的商品推荐方法，包括：将会话序列建模为无向图；无向图中，一个顶点代表一个商品，每条边代表用户在会话的连续两次点击中点击了边两端的商品，根据每条边在会话中出现的次数赋予每条边相应次数的权重；将会话序列中所有会话中的商品初始化到一个统一的嵌入空间中，得到每个会话中的商品的嵌入表示，通过图卷积网络和门控循环单元学习会话中商品的嵌入表示；根据学习到的会话中商品的嵌入表示，对会话的嵌入表示进行学习；根据得到的所有商品的嵌入表示，以及每个会话的嵌入表示，将之进行相乘，然后通过softmax函数进行归一化处理，得到针对每个会话所有商品的推荐分数，根据所述推荐分数进行商品推荐。

技术领域

本发明涉及深度学习技术领域，更具体地，涉及一种基于门控图卷积网络的商品推荐方法及系统、存储介质。

背景技术

随着互联网上信息量的快速增长，推荐系统能够帮助用户缓解信息过载的问题，进而有效帮助用户在众多网页应用程序中(比如：搜索、电子商务、媒体流网站等)选择自己感兴趣的信息。大多数现有的推荐系统都假设一个前提：用户画像(user profile)和历史活动信息是被不断记录的。

然而实际上，在许多服务中，用户的信息可能是未知的，并且只有处于当前正在进行的会话中的用户历史行为可用。会话(session)是服务器端用来记录识别用户的一种机制，典型的场景比如购物车，服务端为特定的对象创建了特定的会话，用于标识这个对象，并且跟踪用户的浏览点击行为。会话在这里可以被理解为具有时序关系的一些记录序列。比如一个会话可以代表一个用户在一个网站点击的商品的序列。在一个会话中，能对有限的行为进行建模并相应地生成推荐是非常重要的。但是在这种场景下，需要依靠丰富的用户-商品交互信息的传统推荐系统无法产生令人满意的推荐结果。因此一些研究人员提出了基于会话的推荐方法。

Shani等人在UAI2002会议提出基于马尔科夫链的推荐模型，该模型用四元组S,A,P,R(S:状态，A:动作,P:转移概率，R:奖励函数)刻画序列信息，通过状态转移概率计算下一个点击的概率，但这个模型状态的数量很大，计算量很大。相比于传统的推荐问题，基于会话的推荐问题的不同点在于如何利用用户的短期会话交互信息数据来预测用户可能会感兴趣的内容。基于会话的推荐可以建模为序列化问题，也就是基于用户的短期历史活动记录来预测用户下一时刻可能会感兴趣的内容并点击阅览。而深度学习中的RNN模型正是一类用于处理序列数据的神经网络。随着序列的不断推进，RNN模型中靠前的隐藏层将会影响后面的隐藏层。于是将用户的历史记录交互数据作为输入，经过多层神经网络，达到预测用户兴趣的目的。Hidasi等人在ICLR2016会议中第一次提出将循环神经网络方法应用于基于会话的推荐问题中。Li等人在CIKM2017会议中提出了一种模型NARM，该模型通过GRU最后一步的输出来捕捉用户的序列行为，通过GRU每一步的输出并通过注意力机制来捕捉用户的主要目的。类似于NARM，Liu等人在KDD2018会议中提出一种模型STAMP，该模型采用简单的MLP网络考虑会话最后一个点击捕捉用户的当前兴趣，以及利用整个序列信息通过注意力机制来捕捉用户的一般兴趣。虽然以上这些模型也达到了不错的预测结果。但是这些模型也有一些不足。第一点是通常RNN方法中的隐藏变量被作为用户表示，进一步基于用户表示得到推荐结果。但是在基于会话的推荐系统中，会话通常是匿名的且数量众多的，并且会话点击中涉及的用户行为通常是有限的，因此这些模型难以从每个会话准确的估计每个用户表示(user representation)，进而生成有效推荐内容。第二点是商品之间的转换模式是很重要的，但是这些方法只是考虑了连续的商品间的单方向转换，不能够得到用户的精确表示以及忽略了商品中复杂的转换特性。