[发明专利]一种基于门机制和多模态图网络的会话社交推荐方法

说明书

本发明公开了一种基于门机制和多模态图网络的会话社交推荐方法。该方法基于用户历史交互序列和社交网络关系，对用户的兴趣和社交影响进行建模，来推荐用户在下一步最可能感兴趣的物品。本方法主要由三个部分组成：第一部分采用长短期记忆网络生成不同模态空间下的当前会话向量表征，目标用户在不同模态空间下的当前会话向量表征即是不同模态空间下的用户兴趣向量表征。第二部分是采用基于门机制的多模态图网络从社交网络中得到不同模态下朋友对目标用户的社交影响。第三部分是综合考虑用户兴趣和社交影响，预测用户下一个点击的物品。

技术领域

本发明属于互联网服务技术领域，尤其是涉及一种基于门机制和多模态图网络的会话社交推荐方法。

背景技术

很多在线平台，例如Yelp、Epinions等，允许用户在平台上分享自己的兴趣和经历，以及和其他用户进行互动。用户在平台上的行为信息非常丰富，通常来说用户的兴趣是多样和多变的。很多社交推荐方法在推荐物品的时候，同时考虑用户的短期兴趣、用户长期兴趣和社交影响，可以降低数据的稀疏度。将用户交互行为数据和用户的社交网络进行互补地结合，提高个性化推荐方法准确度是本发明的出发点。

大多数社交推荐方法采用矩阵分解模型，将用户的社交网络和用户的交互网络结合起来建模。近几年，随着图卷积网络(GCN)的发展，有些学者开始使用图卷积网络来学习朋友对目标用户的社交影响。如song等人采用GraphSAGE得到朋友对目标用户的社交影响，GraphSAGE是Hamilton等人提出的一种图卷积网络方法，它不需要输入整个用户的社交网络矩阵，是一种时间复杂度换空间复杂度的图方法。

以上方法虽然取得不错的效果，但是没有考虑到物品特征的多模态性。Chen等人在物品表征阶段采用注意力机制对多种模态进行选择，并生成物品向量表征。该方法只能算是将多模态特征向量相连接组成物品向量这种方法的进阶版本，没有充分利用物品多模态的丰富信息。本方法先基于序列表征方法得到所有用户在不同模态下的兴趣向量表征，然后采用基于门机制的多模态图网络进行模态融合。多模态社交图网络中用户兴趣特征信息非常丰富，一种模态下的用户兴趣表征对另一种模态下的用户兴趣表征既是一种信息的补充，也是一种节点信息传递的制约。本方法在社交图网络中传递节点模态信息时，节点之间传递相同模态信息的过程受到源节点的两种模态信息共同控制，该控制方法正是普遍应用在循环神经网络中的门机制。

发明内容

本发明所要解决的技术问题是基于用户历史交互序列和社交网络关系，对用户的兴趣和社交影响进行建模，来推荐用户在下一步最可能感兴趣的物品。本方法通过对用户兴趣和社交影响进行建模，来预测用户下一个点击的物品。为此，本发明采用以下技术方案：

一种基于门机制和多模态图网络的会话社交推荐方法，包括以下步骤：

构建目标用户u_i的社交网络G，令：

G＝{U,E}

其中，U表示社交网络中目标用户u_i的朋友集合，E是目标用户的社交连接。

使用长短期记忆网络生成不同模态空间下的会话向量表征，目标用户当前会话向量表征即是用户兴趣向量表征。构建用户会话向量表征，任一会话表示为S＝{v₁,v₂,…,v₀}。其中v_j是会话中第j个物品。构建用户会话向量表征采用长短期记忆网络(LSTM)：

z₇＝LSTM(Q(:,S))

其中，Q是物品的向量矩阵，Q(:,S)代表出现在会话S中所有的物品向量。LSTM具体公式为：

i_j＝σ(W_ix_j+U_ih_j-1+b_i)