[发明专利]基于三通道图神经网络的会话推荐方法

说明书

本发明涉及会话推荐技术领域，具体地说，涉及一种基于三通道图神经网络的会话推荐方法，其包括以下步骤：(1)将会话序列数据转换为会话图、超图、全局图数据；(2)图数据经过三个通道的图神经网络学习到三种项目嵌入；三个通道包括会话图通道、超图通道、全局图通道；会话图通道用于捕获会话中项目间的转换关系，超图通道用于捕获会话中项目间的高阶关系，全局图通道用于捕获不同会话中项目间的关系；(3)融合三种通道形成的项目表征获得更完整项目转换信息；(4)经过预测层输出项目的预测概率。本发明能较佳地进行会话推荐。

技术领域

本发明涉及会话推荐技术领域，具体地说，涉及一种基于三通道图神经网络的会话推荐方法。

背景技术

近年来互联网信息增长迅速，推荐系统成为了帮助用户缓解信息过载问题的有效方法，在消费、服务和决策制定等方面正发挥着重要作用。大多数现有的推荐方法都是根据用户长期历史交互和用户配置文件进行推荐。但是，在很多服务中，用户标识可能是未知的，或只有用户会话期间的历史行为可用。会话推荐这一新兴的推荐形式弥补了上述的不足。

由于会话推荐很高的实际价值，已经提出了许多基于会话的推荐方法。马尔科夫链是一个经典的例子，该方法基于前一个行为预测用户的下一个行为，由于马尔科夫链的强独立性假设，过去交互作用的独立组合可能会限制推荐的准确性。基于深度学习迅速发展，许多基于深度学习的推荐方法也应运而生。例如结合递归神经网络方法是通过数据增强和考虑用户行为的时间变化来增强模型。GRU4REC通过使用GRU建立用户短期偏好进行推荐。NARM中使用GRU与注意力机制结合同时学习到顺序行为和用户主要意图对序列进行建模。Transformer模型在处理翻译的任务中取得了最先进的效果。该模型没有使用递归或者卷积网络，而是使用了自注意力网络堆叠的编码器-解码器结构对序列进行建模，Transformer模型的成功是源于对自注意力的应用。自注意力是特殊的注意力机制，已经广泛用于序列数据建模。SASrec是最早将自注意力用于推荐领域的模型并取得了最先进的效果。这些方法用成对的项目转换信息来建模给定会话的偏好都取得了不错的结果。但是，这些方法依然面临一些问题，首先在一个会话中没有足够的用户行为，这些方法很难估计用户表示。其次，这些工作在建模项目之间的转换时只建模的单向转换而忽略了上下文之间的转换。

SR-GNN解决了上述问题，该方法是最早将图神经网络用于会话推荐的，通过将序列数据建模为图数据结构并通过图神经网络捕获项目的复杂转化。GCE-GNN也是基于图神经网络进行会话推荐，该方法不仅考虑了目标会话间项目转换还考虑的不同会之间项目的转换。基于图神经网络的会话推荐取得了显著的效果。但是，此类方法依然面临一些问题，基于图神经网络的会话推荐系统将会话序列建模为成对关系的图结构化数据或者建模为超图结构化数据，这种将会话序列建模为单一图的形式无法捕获更完整的项目转换信息，从而导致推荐的准确度下降。

发明内容

本发明的内容是提供一种基于三通道图神经网络的会话推荐方法，其能够克服现有技术的某种或某些缺陷。

根据本发明的基于三通道图神经网络的会话推荐方法，其包括以下步骤：

(1)将会话序列数据转换为会话图、超图、全局图数据；

(2)图数据经过三个通道的图神经网络学习到三种项目嵌入；三个通道包括会话图通道、超图通道、全局图通道；会话图通道用于捕获会话中项目间的转换关系，超图通道用于捕获会话中项目间的高阶关系，全局图通道用于捕获不同会话中项目间的关系；

(3)融合三种通道形成的项目表征获得更完整项目转换信息；

(4)经过预测层输出项目的预测概率。