[发明专利]基于图神经网络的推荐方法、装置和计算机设备

权利要求书

1.一种基于图神经网络的推荐方法，其特征在于，包括：

获取待预测的会话序列，其中，所述会话序列表征目标用户依次点击的N个物品及点击顺序；

将所述待预测的会话序列转化为有向图，其中，所述有向图中的节点表征被点击的物品，所述有向图中的有向边表征两个物品被点击的顺序；

将所述有向图输入至预置的目标图神经网络，以得到所述有向图中各个所述节点对应的偏好向量，其中，每个所述节点对应偏好向量包括N个分量值，每个所述分量值用于表征两个节点的关系值；

将所述各个节点对应的偏好向量输入至预置的目标注意力网络，以得到所述待预测的会话序列对应的整体偏好向量；

根据所述目标用户的历史会话序列确定第一节点对应的历史偏好向量，其中，所述第一节点为所述有向图中的最后一个节点；

获取所述第一节点对应的通用偏好向量；

将所述整体偏好向量、所述通用偏好向量、当前偏好向量和所述历史偏好向量进行线性变换，以得到综合偏好向量，其中，所述当前偏好向量为所述有向图中所述第一节点对应的偏好向量；

根据所述综合偏好向量确定所述N个物品对应的概率值；以及

选取最大概率值对应的物品作为推荐物品。

2.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，根据所述目标用户的历史会话序列确定所述第一节点对应的历史偏好向量的步骤包括：

将所述目标用户历史的所述会话序列转化为所述有向图，并输入至所述目标图神经网络，以得所述目标用户对应的偏好向量表，其中，所述偏好向量表包括N行，每行包括一个节点与所述N个节点的关系值；

将所述当前偏好向量的N个分量值与所述偏好向量表中所述第一节点与所述N个节点的关系值，分别对应相加后除以2，得到N个第一均值；

确定所述N个第一均值为所述第一节点对应的历史偏好向量。

3.根据权利要求2所述的基于图神经网络的推荐方法，其特征在于，获取第一节点对应的通用偏好向量的步骤包括：

获取多个用户对应的所述偏好向量表；

将各个用户对应的所述偏好向量表中，所述第一节点与所述N个节点的关系值，分别对应相加后除以用户数量，得到N个第二均值；

确定所述N个第二均值为所述第一节点对应的通用偏好向量。

4.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，在将所述有向图输入至预置的目标图神经网络的步骤之前，所述方法还包括：

确定初始图神经网络和初始目标注意力网络；

获取训练样本集，其中，所述训练样本集包括多个训练样本，所述训练样本包括会话序列和会话序列对应的目标物品；

将所述训练样本的会话序列转化为所述有向图作为所述初始图神经网络的输入；

将所述初始图神经网络的输出输入至初始目标注意力网络；

将所述训练样本的目标物品转化为训练偏好向量，作为所述初始目标注意力网络的输出，对所述初始图神经网络和所述初始目标注意力网络进行训练，训练后得到的图神经网络为所述目标图神经网络，训练后得到的注意力网络为所述目标注意力网络，其中，所述训练偏好向量的所述N个分量值中，所述目标物品与所述目标物品的关系值为1，所述目标物品与所述N个物品中的其他物品的关系值均为0。

5.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，在将所述待预测的会话序列转化为有向图时，通过所述有向边的可视化特征来表征相同点击顺序的数量。

6.根据权利要求5所述的基于图神经网络的推荐方法，其特征在于，所述可视化特征包括所述有向边的形状和/或所述有向边的粗细和/或所述有向边的颜色。

7.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，根据所述综合偏好向量确定所述N个物品对应的概率值的步骤包括：将所述综合偏好向量输入至softmax函数，其中，所述softmax函数的输出值为所述概率值。