[发明专利]一种基于捕捉用户长短期兴趣异构超图的会话推荐方法

权利要求书

1.一种基于捕捉用户长短期兴趣异构超图的会话推荐方法，其特征在于：

从所有用户的会话序列中构建包含用户超边和会话超边的异构超图；对于用户u_i的当前会话下标是会话内物品序列的长度，v_j是用户u_i在会话内第j个交互的物品；会话内的所有物品构成异构超图的物品节点，会话构成异构超图中的会话超边且会话超边连接会话内的所有物品；系统中所有会话都采用同样的方式在异构超图中构建会话超边和物品节点；用户u_i的所有会话序列是将用户u_i作为异构超图中的用户超边用户超边连接用户u_i交互过的物品；

利用异构超图神经网络得到物品向量、会话向量和用户向量；本方法中，物品根据物品ID被初始化为d维向量，对于物品v_j,初始向量为异构超图神经网络会经过很多层的信息传递，通过每一层的信息传递，节点学习到距离更远的其他节点信息；经过l层的信息传递后，物品v_j的向量是为了描述方便，把异构超图中的会话超边和用户超边统一用e_i表示，而超边e_i经过l层的信息传递后，向量是异构超图神经网络传递的层数由模型超参数L控制，由异构超图神经网络更新L层后，最终得到物品v_j的向量是超边e_i的向量是用户u_i构成的用户超边是超边的一种，用户u_i最终的向量表示为会话构成的会话超边是超边的一种，会话最终的向量表示为超边e_i包含的物品节点集合用B(e_i)表示，包含物品节点v_j的用户超边集合用E^u(v_j)表示，包含物品节点v_j的会话超边集合用E^s(v_j)表示；以下是异构超图中超边和物品节点的信息传递过程：

其中，函数将超图中物品节点的信息聚集到超边中，函数采用自注意力机制来实现；函数具体公式如下：

其中，a₁是模型向量，W₁是转移矩阵，a₁和W₁在模型训练时更新；σ是sigmoid激活函数，tanh是tanh激活函数；在计算l层超边e_i的向量时，给B(e_i)内的任一物品v_k计算注意力值α_ik，α_ik表示物品v_k的重要程度；

函数将超图中超边的信息聚集到物品节点中，函数包含了两层结构，会话超边和用户超边代表两种类型的语义信息，先分别聚集会话超边和用户超边中的信息，再根据聚集之后的会话超边和用户超边信息和目标节点之间的相关性，将两种语义信息融合并传递给物品节点；具体做法是：采用基于目标物品节点的注意力机制来聚集用户超边集合E^u(v_j)内的信息得到并同时采用基于目标物品节点的注意力机制来聚集会话超边集合E^s(v_j)内的信息得到再对两个语义进行选择，给其分配不同的重要性，并进行信息融合，最终得到物品v_j第l层的向量融合了用户超边集合E^u(v_j)和会话超边集合E^s(v_j)内的信息；函数具体公式如下：

其中，a₂、a₃和q是模型向量，W₁、W₂和W₃是转移矩阵；σ是sigmoid激活函数，tanh是tanh激活函数，[·]是向量连接操作；是用户超边集合E^u(v_j)内用户超边e_k的注意力值，代表了超边e_k对于物品v_j的重要程度，使用用户超边e_k的注意力值乘以对应超边向量，得到E^u(v_j)传递给物品v_j的信息是会话超边集合E^s(v_j)内会话超边e_τ的注意力值，代表了超边e_τ对于物品v_j的重要程度，用会话超边e_τ的注意力值乘以对应超边向量，得到E^s(v_j)传递给物品v_j的信息再采用基于物品v_j的加法注意力机制对和进行融合，也就是学习和与物品v_j第l-1层向量之间的相关度，公式中γ^u代表从用户超边集合聚集的和物品v_j的相关度，1-γ^u代表从会话超边集合聚集的和物品v_j的相关度；使用公式融合两种信息，得到物品v_j第l层的向量

根据用户当前会话，基于门循环单元网络得到用户当前兴趣；用户u_i的当前会话由异构超图神经网络得到任一物品v_j的向量是本方法采用传统的门循环单元网络GRU对当前会话建模，得到用户当前兴趣z_l；

结合用户当前兴趣、会话向量和用户向量，得到用户兴趣；用户u_i的当前会话由异构超图神经网络得到用户u_i的向量为会话的向量为用户u_i的向量代表了用户稳定的长期兴趣，会话向量代表了采用集合的建模方式得到的用户当前兴趣，用户当前兴趣z_l代表了采用有序序列的建模方式得到的用户当前兴趣；结合z_l和计算用户兴趣：

其中，W₄和W₅是转移矩阵，在模型训练时更新；[·]是向量连接操作；

根据用户兴趣，给用户推荐物品；将物品集合中的物品v_τ的向量乘以用户兴趣z_S，再应用softmax函数计算出物品v_τ的分数：

其中，z_S代表用户兴趣，是物品v_τ的向量，表示物品v_τ成为下一个交互物品的可能性；损失函数为：

其中，y_τ代表物品v_τ的one-hot编码；函数用梯度下降法来最优化。