[发明专利]一种基于物品点击序列优化的会话推荐方法

权利要求书

1.一种基于物品点击序列优化的会话推荐方法，其特征在于，包括以下步骤：

步骤1. 根据用户物品点击序列，构建物品字典、物品集合、物品邻接矩阵与有向物品关联图；

步骤1的具体过程为：

用户物品点击序列为，为用户第p次点击的物品，，为用户点击的物品数量，用户物品点击序列的物品集合为V，物品集合为物品字典的子集，物品集合中物品个数为，，物品邻接矩阵为，有向物品关联图为，其中代表用户点击物品后再点击，，，，，；

步骤2. 对物品字典进行初始化，形成物品字典和物品集合的高维空间表示，利用门控图卷积神经网络建模物品邻接矩阵，更新物品集合的高维空间表示，形成用户物品点击序列的高维空间表示；

步骤2的具体过程为：

步骤2-1. 采用方差为0.01均值为0的方式对物品字典进行初始化，得到物品字典的高维空间表示，提取物品集合的高维空间表示，为物品集合中第k个物品的高维空间表示，，为维矩阵，d为物品高维空间表示的维度；

步骤2-2. 利用门控图卷积神经网络建模物品邻接矩阵，更新物品集合的高维空间表示，更新后的物品集合的高维空间表示为，为更新后的第k个物品的高维空间表示；

其中，gatedGNN为门控图卷积神经网络函数，GRU为门控循环单元函数；

步骤2-3.将用户物品点击序列中的所有物品用代替，形成用户物品点击序列的高维空间表示，为用户第p次点击的物品的高维空间表示，为维矩阵；

步骤3. 利用最短路径算法优化用户物品点击序列，提取最短路径序列；

步骤3的具体过程为：

利用最短路径算法获取用户物品点击序列中第一个物品到最后一个物品的最短路径序列，实现用户物品点击序列优化；

其中，为迪杰斯特拉函数；

步骤4. 定义初始兴趣、直接兴趣和动态兴趣三种用户兴趣类型，利用用户物品点击序列的最短路径序列长度判定用户兴趣类型，并计算对应用户兴趣类型的高维空间表示；

步骤4的具体过程为：

当用户物品点击序列的最短路径序列长度为1时，用户兴趣类型为初始兴趣，建立初始兴趣ini，初始兴趣的高维空间表示为：

当用户物品点击序列的最短路径序列长度为2时，用户兴趣类型为直接兴趣，建立直接兴趣dir，直接兴趣的高维空间表示为：

其中，为平均池化函数；

当用户物品点击序列的最短路径序列长度大于2时，用户兴趣类型为动态兴趣，统计用户物品点击序列中物品的点击频次，选择出现频次最多的前两个物品和作为用户最感兴趣的物品，然后再分别计算用户最感兴趣的两个物品与用户物品点击序列中最后一个物品之间的最短距离和：

建立动态兴趣dyn，动态兴趣的高维空间表示为：

其中，和分别为和的高维空间表示；

步骤5. 基于三种用户兴趣类型的条件概率，采用全概率公式对用户物品点击序列进行建模，并用负对数似然损失函数进行模型优化，取概率最大值对应的物品作会话推荐的为下一时刻点击推荐的物品。

2.根据权利要求1所述的基于物品点击序列优化的会话推荐方法，其特征在于，步骤5的具体过程为：

由用户物品点击序列预测下一个点击物品的概率的具体计算方法如下：

、和分别为用户物品点击序列中用户兴趣类型分别为初始兴趣、直接兴趣和动态兴趣的概率，具体计算方法如下：

其中，softmax和tanh为激活函数，为激活函数softmax的学习参数，、、、和为激活函数tanh的学习参数，上标T表示转置；

、和分别为用户物品点击序列中用户兴趣类型分别为初始兴趣、直接兴趣和动态兴趣情形时的物品推荐概率，具体计算方法如下：

若用户物品点击序列的最短路径序列长度为1，，，否则，；

若用户物品点击序列的最短路径序列长度为2，，，否则，；

若用户物品点击序列的最短路径序列长度大于2，，，否则，；

其中， ，，、、、、、、和为激活函数tanh的学习参数；

取概率中最大值对应的物品作为会话推荐的下一时刻点击推荐的物品。