[发明专利]一种自注意力机制和图神经网络的电商推荐方法

权利要求书

1.一种自注意力机制和图神经网络的电商推荐方法，其特征在于，包含以下步骤：

步骤1，获取目标用户的电商交易数据构成数据集，并对数据集进行预处理，得到有效会话长度的电商交易数据集；

步骤2，根据步骤1所得数据集，根据时间戳生成对应的会话序列和标签作为实验数据集；

步骤3，根据步骤2所得的实验数据集中的会话序列以会话图的形式存储，每一个会话序列S＝[V₁,V₂,...,V_n]视为一个有向图G＝(V,E)，在会话图中，每个节点都对应一个物品V_i，边(V_i-1,V_i)对应用户在会话中点击了物品V_i-1之后又点击了物品V_i；

步骤4，根据步骤3所得的会话图，对图内边进行权重归一化方法处理，得到归一化会话图；

步骤5，根据步骤4所得归一化会话图，通过图神经网络学习到会话图内节点的向量表示；

步骤6，根据步骤5所得的节点的向量表示，提取出会话S＝[V₁,V₂,...,V_n]内的局部兴趣向量表示和全局兴趣向量表示；

步骤7，根据步骤6所得的局部兴趣向量表示和全局兴趣向量表示，输入到多头自注意力机制网络中，计算得到自注意力局部兴趣向量和自注意力全局兴趣向量表示；

所述步骤7具体包括；

通过将局部兴趣的向量表示V_l和全局兴趣的向量表示V_g分别输入到多头自注意力机制网络中计算得到自注意力局部兴趣向量和自注意力全局兴趣向量表示，具体计算公式如：LinearTransformation(V)＝A*V+B，其中V是输入向量，A是权重矩阵，B是偏差向量；对于自注意力机制，其中Q,K,V分别是同一向量表示，d为Q向量的维度，这里将Q,K,V替换成V_l和V_g，分别计算出自注意力局部兴趣向量V_{s_l}和自注意力全部兴趣向量V_{s_g}；

步骤8，将局部兴趣向量表示，全局兴趣向量表示，自注意力局部兴趣向量和自注意力全局兴趣向量表示聚合起来，计算得到混合兴趣的向量表示V_h；

步骤9，根据混合兴趣的向量表示计算出用户在每个物品上的喜爱程度的评分；

步骤10，按照目标用户在每个物品上的喜爱程度，选择用户喜爱程度最高的前k个物品推荐给目标用户。

2.根据权利要求1所述的一种自注意力机制和图神经网络的电商推荐方法，其特征在于：所述步骤4中权重的计算方式如下；

步骤4.1，计算会话图内的每条边(V_i-1,V_i)的出现次数C，每个节点出度D_out，其中某节点出度是指由该节点为起点的边的个数；

步骤4.2，计算每条边的权重，并对图内边的权重归一化，权重的计算公式为：

其中，表示边(V_i-1,V_i)的权重，表示边(V_i-1,V_i)的出现次数，表示节点v_i-1的出度。

3.根据权利要求1所述的一种自注意力机制和图神经网络的电商推荐方法，其特征在于：步骤5中通过图神经网络学习到会话图内节点的向量表示分为两个步骤，第一步是传播过程，第二步是输出过程；传播过程是指初始化节点表示，然后通过迭代获取节点表示的过程，具体计算公式如下：首先初始化节点表示然后每个节点使用迭代方式更新表示，其中表示节点V在时刻t的向量表示，l_V表示节点V，l_Neighbor(V)表示节点V的邻居节点，表示节点V的邻居节点的向量表示，f表示一种映射，将时刻t-1的邻居节点的向量表示映射到时刻t的节点V的向量表示；

输出过程是指根据节点表示得到目标输出的过程，具体计算公式如下：其中O_V表示节点级别的输出向量表示，表示节点V在时刻t的向量表示，l_V表示节点V，g表示一种映射，将节点的向量表示映射成输出向量。