[发明专利]一种基于域感知图卷积神经网络的跨域序列推荐方法及系统

说明书

本公开提供了一种基于域感知图卷积神经网络的跨域序列推荐方法，包括：构建跨域序列(CDS)图，具体为：将共享账户的混合序列转换为CDS图；节点的表示学习，包括用户的表示学习和用户特定的项目表示学习；将序列嵌入和用户嵌入拼接进行特征结合并得到预测层。本公开利用域感知图卷积网络中的消息传递策略来聚合相连节点传递的信息，通过从连接的相邻节点传递信息来学习用户和项目的节点嵌入，并提出两种注意力机制，在消息传递过程中鉴别性地选择相关的信息。因此能够建模多方面的交互，并通过考虑结构信息来传递细粒度的域知识。

技术领域

本公开涉及卷积神经网络领域，特别涉及一种基于域感知图卷积神经网络的跨域序列推荐方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

跨域序列推荐(CSR)是一项旨在利用用户来自多个域的历史交互来推荐下一个项目的推荐任务。如今，CSR获得广泛的研究关注，因为用户需要注册不同的平台来获取特定领域的服务，如音乐订阅和食物配送。在这项工作中，研究了一个新兴的但具有挑战性的场景，共享账户跨域序列推荐(SCSR)，其中多个用户共享一个账户，并且他们的交互行为记录来自于多个领域。考虑共享账户场景是因为在许多应用程序中，一些人共享账户的行为越来越常见。例如，一个家庭的不同成员倾向于使用一个账号在Netflix上观看电影或在Amazon进行网上购物。在这种情况下，由于在交互序列中混合了不同用户的兴趣，生成准确的推荐更具挑战性。此外，尽管在单用户场景中，来自两个域的数据可能会协助发现用户的偏好，但共享账户的存在将放大交互数据中的噪声，并阻碍序列推荐的准确性。

最近，一些研究集中在共享账户或跨域设置的推荐上，其中很少有研究能同时考虑这两个方面来进行SCSR。在之前关于共享账户的工作中，一种常见的方法是用潜在的表示捕获同一账户下的用户关系，但它们都没有考虑跨域的上下文，因此不适用于SCSR。之前跨域信息的传递工作中，跨领域知识在潜在空间中被隐式地传递，连接两个领域的显式结构信息在很大程度上是未被探索的。Zhao等人提出了一种基于图的模型作为一种解决方案，他们的工作忽略了重要的序列信息，并依赖于显式的用户评分，而评分在两个域中通常是不可用的。然而，这些跨平台方法并不是为了处理共享账户上混合的用户偏好而设计的。SCSR的一个工作是π-net，它将SCSR描述为一个由信息共享网络解决的并行序列推荐问题；另一项相关工作是PSJNet，它使用拆分-连接策略改进了π-net。然而，这些基于RNN的方法绝大多数都是以发现序列依赖关系为目标，并且在捕获相关实体(即用户和两个域中的项目)之间的复杂关系方面能力有限。因此，这限制了学习用户和项目表示的能力，并且忽略了连接两个域的显式结构信息，如，项目-用户-项目路径。

发明内容

为了解决现有技术的不足，本公开提供了一种基于域感知图卷积神经网络的跨域序列推荐方法及系统，利用域感知图卷积网络中的消息传递策略来聚合相连节点传递的信息，通过从连接的相邻节点传递信息来学习用户和项目的节点嵌入，并设置两种注意力机制，在消息传递过程中鉴别性地选择相关的信息，能够建模多方面的交互，并通过考虑结构信息来传递细粒度的域知识。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种基于域感知图卷积神经网络的跨域序列推荐方法。

一种基于域感知图卷积神经网络的跨域序列推荐方法，包括：

获取账户在不同域下的行为序列数据；

根据获取的行为序列数据以及预构建的基于域感知图卷积神经网络DA-GCN得到项目推荐结果；

其中，基于域感知图卷积神经网络的构建，包括:

构建跨域序列(CDS)图，根据CDS图进行节点的表示学习，并更新所有用户和项的表示；获取行为序列嵌入和用户嵌入并进行特征结合；利用预测层进行推荐，并最终获得域感知图卷积网络DA-GCN。