[发明专利]一种基于动态路由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动态路由图网络的会话社交推荐方法。该方法基于给定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。本方法主要由五个部分组成：第一部分是将所有用户序列分成会话序列，并采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当前兴趣向量表征。第二部分是采用注意力机制，得到和目标用户当前兴趣相关的那部分长期兴趣。第三部分是采用动态路由图网络从社交网络中得到朋友对目标用户的社交影响。第四部分是集合用户当前兴趣、长期兴趣和社交影响，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动态路由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、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，它不需要输入所有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。同时，song采用固定的用户向量矩阵来表示用户的长期兴趣，用户向量矩阵通过模型训练更新。

以上方法虽然取得不错的效果，但是采用用户向量矩阵这种静态表示方式来建模用户的长期兴趣，忽视了用户兴趣的动态变化，该方法的实验证明在用户兴趣动态变化场景中，用户的长期兴趣表征效果甚微。本方法改进用户的长期兴趣表征方法，采用注意力机制从用户历史会话序列中抽取和用户当前兴趣相关的那部分长期兴趣。另外，有些方法使用原始图网络对用户和用户的朋友之间的关系进行建模，忽略了不同朋友对用户影响的差异性。Song等人在图网络中加入注意力机制，使得不同的朋友对用户的社交影响不同。但是该方法忽视了一个重要事实，某个朋友对目标用户的影响不仅和该朋友和目标用户有关，还和目标用户的其他朋友有关。本方法改进图网络的信息传递模，借鉴动态路由中的信息传递方法，由目标用户和目标用户的所有朋友共同决定每个朋友对目标用户的影响程度。最后结合用户当前兴趣、长期兴趣和社交影响，预测用户下一个点击的物品。

发明内容

本发明所要解决的技术问题是给定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。本方法通过对用户当前兴趣、长期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：

一种基于动态路由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。LSTM具体公式为：