[发明专利]一种基于物品点击序列优化的会话推荐方法

说明书

本发明公开了一种基于物品点击序列优化的会话推荐方法，属于会话推荐技术领域。本发明所述方法利用最短路径方法提炼用户最感兴趣的物品序列，能够剔除长序列中多条兴趣路径对用户兴趣表征的干扰；本发明所述方法从最短路径物品序列的长度分布与用户点击的兴趣强弱出发，定义了三种用户兴趣类型，能够捕获不同类型下物品点击行为随时间变化的用户兴趣，可有效建模长序列的用户兴趣。

技术领域

本发明属于会话推荐技术领域，具体涉及一种基于物品点击序列优化的会话推荐方法。

背景技术

随着互联网的快速发展和各种电子产品的普及，京东、拼多多等电商平台走进大众视野，实现了消费模式由传统的实体店购买到线上的转变，为市民生活提供了便捷服务。对电商企业而言，电商平台物品数量庞大，不同用户间的消费兴趣迥异，如何提升用户购买率以提升收益是当前面临的一个挑战。学术界将其归纳为一个基于序列学习的会话推荐问题，即如何利用用户会话日志中记录的历史行为（如浏览、购买）预测用户下一时刻的点击行为，达到如用户购买电脑后，平台会自动推荐鼠标、键盘等物品的目的。

目前会话推荐主要存在两个技术问题，一是用户通常是匿名的，仅通过当前会话很难获得足够的上下文信息对用户兴趣进行建模；二是数据中不包含用户对物品的主观意见（如评分），因此只能通过历史行为数据对用户兴趣进行间接推测。文献 “NeuralAttentive Session-based Recommendation[C]//Proceedings of the 17th ACM CIKMon Conference on Information and Knowledge Management, Singapore, ACM Press,2017,1419-1428”和“Session-Based Recommendation with Graph Neural Networks[C]//Proceedings of the 33th AAAI Conference on Artificial Intelligence,Hawaii, USA, AAAI Press,2019, 346-353”先后把循环神经网络、注意力机制以及图神经网络应用于推荐系统用于提取用户兴趣特征。然而上述现有技术在对物品点击序列提取用户兴趣特征时，侧重于强调序列最后一个物品对预测结果的重要性，而忽视了对具有动态变化特点的用户兴趣建模，直接影响预测准确率。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于物品点击序列优化的会话推荐方法。

本发明所提出的技术问题是这样解决的：

一种基于物品点击序列优化的会话推荐方法，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为会话推荐的下一时刻点击推荐的物品。

进一步的，步骤1的具体过程为：、