[发明专利]一种基于动态路由图网络的会话社交推荐方法

权利要求书

1.一种基于动态路由图网络的会话社交推荐方法，其特征在于：

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会话向量表征，目标用户当前会话向量表征即是当前兴趣向量表征；构建用户会话向量表征，任一会话表示为s＝{v₁，v₂，…，v_n}；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)：

z_s＝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；因此，目标用户的会话集合的向量表征为且当前兴趣向量表征他的第l个朋友的表征为最近会话的向量表征为

根据目标用户当前兴趣表征和历史会话序列，使用注意力机制生成目标用户长期兴趣向量表征；目标用户的历史会话集合为也就是除了当前会话以外的会话；使用注意力机制找出和当前会话最相似的历史会话，并得到目标用户的长期兴趣向量表征

其中，为目标用户u_i的当前兴趣表征，为目标用户的第k个会话向量表征，参数和参数W₁，控制每个会话向量的权重；

根据社交网络G，采用动态路由图网络计算朋友对目标用户的社交影响；本方法只考虑朋友最近的兴趣对目标用户当前兴趣的影响，用户当前兴趣向量表征为他的第l个朋友的表征为最近会话的向量表征事实上，不同朋友对目标用户的影响不同，且某朋友对目标用户的影响不仅取决于该朋友和目标用户，还取决于目标用户的其他朋友；本方法借鉴动态路由思路来改进原始图网络中邻居节点的聚合方式，如下：

其中，是目标用户u_i的第l个朋友和目标用户u_i的连接系数，初始化为为向量为向量是归一化后的连接系数；k代表社交网络G的搜索深度，N(i)是目标用户u_i的朋友集合；是目标用户u_i的第l个朋友在图网络中第k-1层的向量表征，代表目标用户u_i在k层的向量表征；是图参数，σ为sigmoid函数，CONCAT函数是向量拼接操作；动态路由图网络的最后一层的输出就是朋友对目标用户u_i的社交影响h_i；

结合目标用户当前兴趣、长期兴趣和社交影响，获得用户最终向量表征；用户的最终表示就由全连接层合并目标用户当前兴趣、长期兴趣和社交影响得到，令：

其中，是线性转化矩阵，和为目标用户u_i行为表现出的当前兴趣向量表征和长期兴趣向量表征，h_i是用户u_i的社交影响，为向量拼接操作；

根据用户最终向量表征和物品向量表征，推荐物品；将物品v_j的向量x_j乘以用户兴趣向量，再应用softmax函数计算出物品v_j的分数：

其中，g代表用户的兴趣向量，x_j是物品v_j的向量表征；代表物品v_j成为下一个交互的可能性；同时根据的对数似然函数值，计算损失函数：

其中，y_j代表v_j的one-hot编码，函数用梯度下降法来最优化。

2.根据权利要求1所述的一种基于动态路由图网络的会话社交推荐方法，其特征在于：所述长短期记忆网络(LSTM)结构为：

i_j＝σ(W_ix_j+U_ih_j-1+b_i)

f_j＝σ(W_fx_j+U_fh_j-1+b_f)

o_j＝σ(W_ox_j+u_oh_j-1+b_o)

c_j＝i_ktanh(W_cx_j+u_ch_j-1+b_c)+f_jc_j-1

h_j＝o_jc_j

其中，x_j是会话序列中第j个物品的向量表征；长短期记忆网络的最后一层的隐藏状态h_j的输出就是会话向量表征z_s；和分别是控制输入门i_j、遗忘门f_j和输出门o_j的参数，d代表物品向量的维度；σ为sigmoid函数；所有这些参数和输入：隐层状态h_j-1、当前输入x_j共同参与计算，来输出结果h_j。