[发明专利]基于图注意力网络和双向长短期记忆网络的会话推荐方法

权利要求书

1.一种基于图注意力网络和双向长短期记忆网络的会话推荐方法，其特征在于，该方法具体包括以下步骤：

步骤1、根据用户此次会话过程中的商品序列，将其建模为无向图；

步骤2、以无向图为输入，使用图神经网络和注意力机制的方法生成商品的表征；

步骤2-1、计算相邻商品的注意力系数，对相邻商品的特征信息进行加权聚合：

每个商品生成初始化的表征xi如公式(1)所示：

x_i＝Embedding(v_i) (1)

每个商品v_i的相邻商品的注意力系数α_ij如公式(2)所示：

其中，W_a是权重矩阵；[x_i，x_k]表示向量x_i和向量x_k进行拼接，[x_i，x_j]表示向量x_i和向量x_j进行拼接；N_i表示商品v_i的邻居商品集合；LeakyReLU是激活函数；

根据计算得到的注意力系数，对相邻商品的特征信息进行加权聚合，得到每个聚合邻居商品信息之后的表征如公式(3)所示。

其中，N_i表示商品v_i的相邻商品集合；

步骤2-2、基于门控图神经网络中的门控机制进行商品表征的更新：

计算得到更新门控信号z_i和重置门控信号r_i，如公式(4)(5)所示；

利用计算得到的门控信号，对来自v_i邻居商品的特征信息和商品v_i自身的特征信息x_i进行有选择地遗忘和记忆，得到商品v_i最终的表征x′_i，如公式(6)(7)所示：

步骤3、结合所生成的商品表征，使用基于注意力机制的双向长短期记忆网络建模得到用户的全局兴趣，并且结合用户的当前兴趣，生成最终的用户表征；计算过程如下：

输入初始的商品表征序列H，经过双向长短期记忆网络处理之后，得到包含有上下文语境信息的商品表征序列H′，如公式(8)所示：

H′＝BLSTM(H) (8)

对H′中的每个商品计算得到一个注意力分数，如公式(9)所示：

α＝softmax(W_bH′) (9)

其中，W_b是需要学习的参数；

最后根据计算得到的注意力分数，对商品序列进行加权聚合得到用户的全局兴趣S_g，如公式(10)所示：

S_g＝αH′ (10)

结合用户的当前兴趣，生成最终的用户表征；计算过程如下：

使用最后一次点击的商品的表征来建模，如公式(11)所示

S_l＝x_t (11)

其中，S_l是用户的当前兴趣；

结合用户的全局兴趣和当前兴趣，经过线性转换之后，得到最终的用户表征S_u，如公式(12)所示：

S_u＝W_u[S_g，S_l] (12)

步骤4、使用用户表征和待推荐商品的表征，计算得到每个商品的初始推荐分数，使用最终的用户表征和待推荐商品的表征进行内积计算，之后对计算结果使用softmax激活函数进行归一化处理；具体计算过程如下：

通过内积为每个待推荐商品计算得到一个初始的推荐分数，如公式(13)所示：

其中，X是待推荐商品的表征，是最终的用户表征的转置；

初始推荐分数经过softmax激活函数进行归一化处理，得到每个商品的最终推荐分数，如公式(14)所示：

按照推荐分数由高到低对商品进行排序，将排序在前的商品推荐给用户。