[发明专利]一种基于超图的协同会话推荐方法

说明书

本发明公开了一种基于超图的协同会话推荐方法。该方法根据当前会话，对用户兴趣建模，并推荐用户在下一步最可能感兴趣的物品。主要由四个部分组成：第一部分是用所有会话和会话中的物品集合，构建超图；第二部分是聚合超边内的节点，得到超边的局部向量表征；第三部分是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；最后，根据当前会话得到用户兴趣，并给用户推荐物品。

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超图的协同会话推荐方法。

背景技术

会话(session)是一个时间段内用户的交互行为，基于会话的推荐是基于当前会话，推荐用户下一个点击的物品。传统的会话推荐系统采用循环神经网络来对用户兴趣进行建模，循环神经网络对会话中物品的序列性进行建模，得到目标用户的兴趣。但是循环神经网络忽略了会话中更复杂的协同信息。协同推荐认为具有相同行为模式的用户，兴趣相同。因此，最近有些方法将协同信息考虑进推荐系统中。通常做法是，基于当前会话得到目标用户的兴趣表征，再根据会话的相似度等指标，找到和当前会话相似的其他会话集合，并把相似会话包含的信息融入到目标用户的兴趣表征中。

在很多场景中，用户行为的序列性是不明显的或者是无序的。比如，用户在网易音乐等平台播放平台推荐的歌单时，音乐的播放顺序完全取决于平台推荐顺序，而不是用户的偏好。以及如抖音等短视频平台中的用户浏览短视频的顺序也是基本取决于平台的展示顺序。此时，用户的物品交互序列并不能体现物品的转移关系，这里的交互指代播放、浏览和点击等行为。有序序列建模的方法，如循环神经网络，会增大离推荐时间最近行为的重要性，而降低离推荐时间稍远行为的重要性。因此，循环神经网络不适用于依赖于平台推荐的场景。传统的协同会话推荐方法，是将和当前会话相似的邻居会话信息作为整体传递给当前会话。此时，对于当前会话来说，邻居会话中的所有物品的重要度是一样的，这会传递很多噪音。

因此，为了解决以上两种方法的弊端，本方法采用一种基于超图的协同会话推荐方法。基于系统中的所有会话和会话中物品集合，构建超图(hypergraph)。超图是普通图(normal graph)的更一般化的表示。在普通图中，一个边只能连接两个节点，而超图中的超边可以连接两个或者两个以上的节点。如，在本方法中，物品是超图的节点，会话是超图的超边。同一个会话中物品之间的关系，是同属于一个会话的关系，也就是集合关系。而超边的邻居边就是和该超边有共同的节点的其他超边。本方法对超边的邻居边进行过滤，并将邻居边内的节点信息传递到该超边内，并赋予不同的重要程度，然后更新超边的向量表征，学习协同信息。

发明内容

本发明所要解决的技术问题是根据当前会话，对用户兴趣建模，并推荐用户在下一步最可能感兴趣的物品。会话的数据极为稀疏，只依赖当前会话进行推荐会降低推荐的准确度。本方法充分考虑到会话中的协同信息，缓解稀疏性，提升推荐的准确度。

一种基于超图的协同会话推荐方法，包括以下步骤：

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：