[发明专利]一种基于超图的协同会话推荐方法

权利要求书

1.一种基于超图的协同会话推荐方法，其特征在于：

用所有会话和会话中的物品集合，构建超图；给定一个会话s＝{v₁,v₂,…,v_j,…,v_|s|}，任一物品v_j为超图T的节点，该会话s为超图T的超边e_s，超边e_s连接会话s内的所有物品{v₁,v₂,…,v_j,…,v_|s|}；

聚合超边内的节点，得到超边的局部向量表征；超边e_s的局部向量表征公式为：

其中，v_j∈B(e_s)表示v_j是超边e_s内的节点集合B(e_s)中的节点，emb(v_j)是节点v_j的向量表征，需要模型训练并更新；函数是将超边e_s内的所有节点B(e_s)聚集成超边e_s局部向量表征的聚合函数；函数具体为：W_l是转移矩阵，b是向量，σ为sigmoid函数，max代表元素级别的max操作；

根据超边的相似度计算策略召回超边的相似节点集合，并聚合超边的相似节点集合得到超边的全局向量表征；超边e_s的邻边集合为E(e_s)，但是并不是邻边集合E(e_s)内的所有超边都是超边e_s的相似超边，计算超边之间的相似公式为其中，是超边e_s的邻边集合E(e_s)内的任一超边，|·|表示集合内的元素个数，B(e_s)和分别表示超边e_s和超边内包含的节点集合；把和超边e_s的相似度小于阈值sim_thre的邻边过滤掉，即得到超边e_s的相似超边集合E_sim(e_s)；相似超边集合E_sim(e_s)中的所有超边内包含的节点，且不被超边e_s包含在内的节点，就是超边e_s的相似节点集合，即然后，聚合超边的相似节点集合，得到超边的全局向量表征具体为：

其中，是超边e_s的局部向量表征，是超边e_s的相似节点集合向量表征，表示将向量和向量连接，W_g是转移矩阵，relu是relu激活函数；从公式可以看出，超边e_s的全局向量表征是将超边e_s内的节点集合B(e_s)信息和超边e_s的相似节点集合N_sim(e_s)进行融合；emb(v_j)是节点v_j的向量表征；函数是将超边e_s的相似节点集合N_sim(e_s)信息融合的函数；具体步骤为：

其中，向量q、c和转移矩阵W₁、W₂控制N_sim(e_s)中每个节点v_j的权重α_j；函数是一种加法注意力机制，由超边e_s的局部向量表征来决定N_sim(e_s)中每个节点v_j的权重α_j，注意力机制可以让N_sim(e_s)中和超边e_s更相似的节点获得更大的权重；

根据当前会话得到用户兴趣，并给用户推荐物品；当前会话s＝{v₁,v₂,…,v_j,…,v_|s|}的向量表征就是用户兴趣p_u，而当前会话s的向量表征就是超边e_s的全局向量表征所以，将物品v_j的向量emb(v_j)乘以用户兴趣p_u，再应用softmax函数计算出物品v_j的分数：

其中，p_u代表用户的兴趣向量，代表物品v_j成为下一个交互物品的可能性；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。