[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

说明书

本发明公开了一种基于捕捉用户长短期兴趣异构超图的会话推荐方法，基于用户所有会话中的交互物品序列，给用户推荐下一个感兴趣的物品。本发明的向前传播部分主要由五个部分组成。第一部分是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；第二部分是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；第三部分是根据用户当前会话，基于门循环单元网络得到用户当前兴趣；第四部分是结合用户当前兴趣、会话向量和用户向量，得到用户兴趣；第五部分是根据用户兴趣，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捕捉用户长短期兴趣异构超图的会话推荐方法。

背景技术

会话(session)指一段时间内用户交互的物品序列，一般通过用户行为之间的时间间隔进行划分。会话推荐方法(session-based recommendation)是指基于会话中的物品序列，对用户兴趣进行建模，给用户推荐下一个感兴趣的物品。会话推荐方法被分为单会话推荐方法(single-session based recommendation models) 和多会话推荐方法(multi-session based recommendation models)。单会话推荐方法指只利用当前会话中的物品序列，捕捉用户当前兴趣，并进行推荐。多会话推荐方法把用户历史上所有的物品序列，划分成若干个会话，不仅使用当前的会话对用户当前兴趣进行建模，还利用用户之前发生的会话对用户长期兴趣进行建模，本方法是一种多会话推荐方法。

多会话推荐方法既可以捕捉到用户当前的兴趣，又可以捕捉到用户长期的静态兴趣，有效地缓解了推荐场景的数据稀疏性。现有的会话推荐方法在从当前会话中抽取用户当前兴趣时，有的认为会话内的物品序列是有序的，因此采用循环神经网络这一类有序序列建模方法对会话进行建模；有的不考虑会话内物品序列之间的时间先后性，采用注意力机制这类基于集合的方法对会话进行建模。本方法认为，不同用户在不同会话中的行为模式不同，当用户抱着随便逛逛的心态且目的性不强时，会话中的物品序列较长、物品种类更为丰富，使用基于集合的方法进行建模较为合适。当用户购买意愿较为强烈、时间较少时，会话中的物品序列较短，物品种类更为单一，转移规律更明显，采用基于有序序列的方法进行建模更为合适。因此，本方法同时基于有序序列建模方法和集合建模方法两种方法，对用户当前兴趣进行建模。

现有的捕捉用户长短期兴趣的会话推荐方法，采用两个独立的模块分别对用户的长期和短期兴趣进行建模。而同一用户的长期兴趣和短期兴趣是有联系的，单独对用户的长期和短期兴趣建模，无法捕捉两者的联系。因此，本方法在统一的框架里对用户和会话进行建模，对用户进行建模是为了捕捉用户的长期兴趣，对会话进行建模是为了捕捉用户的短期兴趣。本方法采用超图来同时对用户的长期和短期兴趣进行建模。超图(hypergraph)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(hyperedge)可以连接两个或者两个以上的节点(node)。本方法中，超图的节点是物品。超图的超边有两种，分别是用户超边和会话超边。用户超边代表用户的长期兴趣，会话超边代表用户的短期兴趣。本方法中的超图含有两种类型的超边，因此是一种异构超图。现有的超图神经网络方法采用“节点-超边-节点”这样的信息传输方式，先把节点的信息传递给包含该节点的超边，再把超边的信息传递给被该超边包含的节点。而本方法中的异构超图的超边有两种，分别是会话超边和用户超边，当这两种超边传递信息给物品节点时，传递的信息语义不同，重要程度不同，且两种超边的个数也不同。会话代表了用户短时间内较为单一的兴趣，因此传递信息和物品更为接近；而用户代表的兴趣更为丰富且稳定，因此传递给物品的信息更为多样。且会话的数量比用户的数量多。平衡不同类型的超边信息是异构超图神经网络的重点。本方法采用基于目标物品节点的注意力机制对会话超边和用户超边这两种不同类型信息进行选择。本方法通过异构超图神经网络得到物品向量、会话向量和用户向量后，再采用有序序列建模方式对用户当前会话建模，得到用户当前兴趣。最后结合用户当前兴趣、会话向量和用户向量给用户推荐物品。

发明内容