[发明专利]一种个性化会话推荐方法和系统

说明书

本发明公开了一种个性化会话推荐方法及系统，属于数据挖掘和推荐领域。包括：构建会话编码器，将当前会话序列转换成图结构表示，以当前会话图作为输入，采用图神经网络进行建模，通过注意力机制得到当前会话的目的特征表示；构建用户编码器，将当前用户的历史会话转换成图结构表示，以历史会话图作为输入，采用图神经网络进行建模，通过注意力机制得到当前用户的历史偏好特征表示；结合会话编码器输出的当前会话的目的特征表示和用户编码器输出的当前用户的历史偏好特征表示，生成用户下一次可能点击物品的概率列表。本发明能够提高用户访问网站过程中物品推荐的准确性。

技术领域

本发明属于数据挖掘和推荐技术领域，更具体地，涉及一种个性化会话推荐方法和系统。

背景技术

近年来，随着互联网信息的不断增长，用户在面对大量无关信息时会出现信息过载的问题，因此人们提出了使用个性化推荐系统来解决该问题。而随着算法理论的不断发展，推荐系统已经进入了人们生活的许多方面，从网上购物到资讯浏览等诸多领域，推荐系统都扮演着极其重要的角色。

在许多场景下，网站服务器无法得到足够多的用户个人信息，只能以会话记录的形式储存用户的一系列交互操作，针对此类场景实现的推荐系统则被称为基于会话的推荐系统。在一次会话中，当用户和网站进行交互时会留下一系列操作记录，记录中保存并体现了用户的偏好和目的，因此会话推荐的目的就是根据用户在当前会话中的操作记录，分析并提取此次会话的目的，对用户的下一步可能感兴趣的相关物品进行推荐。

与其他推荐任务相比，会话推荐任务具有更高的挑战性，因为在会话记录中并未体现用户对每个物品的评价信息，而且也无法获取到用户的详细画像信息，因此可以认为会话推荐是一种基于隐式反馈的推荐问题，这给推荐策略带来了一定挑战。

通过循环神经网络(RNN)建立模型是解决序列问题的常用方法，而RNN通常难以对点击序列中的长距离复杂转移模式进行建模。而且以RNN为基础的模型只能建模序列中的单向转移模式，从而导致丢失序列中物品之间的一部分转移信息。

长久以来，在对会话推荐进行研究时，通常都会笼统地将所有的会话场景认为是匿名的，因此在进行建模时，很少会考虑当前用户的长久偏好对系统的影响。这样并不能充分的挖掘当前用户的历史会话序列所提供的有效信息，从而不能更好的进行个性化推荐。

发明内容

针对相关技术的缺陷，本发明的目的在于提供一种个性化会话推荐方法及系统，旨在解决传统推荐方法不能充分挖掘当前用户的历史会话序列所含有效信息导致推荐效果不好的问题。

为实现上述目的，本发明的第一方面提供了一种个性化会话推荐方法，包括以下步骤：

S1.获取当前会话和历史会话数据，利用历史会话数据构建历史会话集合；

S2.将当前会话转换成图结构表示，并输入到图神经网络计算得到当前会话中每一个物品的特征表示，利用注意力机制对每个物品的特征表示进行综合得到当前会话目的的特征表示；从当前会话所有物品的特征表示中选择当前会话最后一个物品的特征作为当前用户的实时目的特征表示；

S3.将当前用户的历史会话集合转换成图结构表示，并输入到图神经网络计算得到历史会话集合中每一个物品的特征表示，利用注意力机制对每个物品的特征表示进行综合得到当前用户的历史偏好特征表示；

S4.将当前会话目的的特征表示、当前用户的历史偏好特征表示以及当前用户的实时目的特征表示进行融合，得到最终的总特征表示，并根据所述总特征表示生成用户感兴趣的物品列表，从而进行推荐。

进一步地，所述步骤S2和步骤S3中的图神经网络均为门控图神经网络。

进一步地，所述步骤S2具体包括：