[发明专利]一种基于二阶聚合的图卷积循环神经网络的会话推荐方法

说明书

本发明公开了一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，包含以下步骤：步骤S0,根据会话序列构建有向会话图，所述会话图中每个节点代表一个点击项；步骤S1,对每一个点击项进行编码，获得各点击项的低维嵌入向量；步骤S2，将各点击项的低维嵌入向量输入到融合二阶协同信号的图卷积网络及循环神经网络中获得各点击项的潜在向量；步骤S3，根据各点击项的潜在向量学习获得会话的潜在向量；步骤S4，将各点击项的潜在向量和会话的潜在向量相乘，输入至softmax层得到预测点击项。本发明的一种基于二阶聚合的图卷积循环神经网络的会话推荐方法抗噪声能力强、准确性高。

技术领域

本发明属于深度学习技术领域，更具体地，涉及基于二阶聚合的图卷积循环神经网络的会话推荐方法。

背景技术

推荐系统已经被广泛应用于解决信息过载问题，并为用户推荐其可能感兴趣的内容，但是有时无法获取用户明确的喜好或者是评级打分等交互信息，甚至用户的个人身份可能都是未知的，只有当前正在进行的会话期间的用户历史点击行为，这就带来了一种冷启动问题，因此在一个会话中对有限行为进行建模并进行相应的内容推荐是有重要意义的。

马尔科夫链根据用户的前一个行为预测用户下一个行为进行会话推荐取得了一定的效果，但是仅仅只是将信息独立组合进行推荐，会话数据间的依赖性不能得到处理。

随着深度学习的引入，循环神经网络(RNN)的方法利用用户会话点击序列的输入生成推荐结果能够处理会话数据间的依赖性，但是会话间的点击项关系转换依赖性有待加强，对于会话图节点分布结构处理等问题仍然不能得到解决。

近年来，图卷积神经网络逐渐应用于推荐系统中，利用拓扑图传播聚合节点信息，尤其对图结构的学习推荐具有很好地优势，在会话推荐中的应用有待进一步研究。

图卷积神经网络根据图的性质进行卷积和池化，广泛应用于对图数据的处理，以获取会话图节点分布结构信息。但是目前大多数模型的图卷积层内部只利用一阶邻居的信号更新节点嵌入，容易受到噪声的影响，推荐的精确性有待提高。

发明内容

为了解决上述问题，本发明提供一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，该方法抗噪声能力强、准确性高。

为了实现以上目的，本发明采用的一种技术方案如下：

一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，包含以下步骤：

步骤S0，根据会话序列构建有向会话图，所述会话图中每个节点代表一个点击项；

步骤S1，对每一个点击项进行编码，获得各点击项的低维嵌入向量；

步骤S2，将各点击项的低维嵌入向量输入到融合二阶协同信号的图卷积网络及循环神经网络中获得各点击项的潜在向量；

步骤S3，根据各点击项的潜在向量学习获得会话的潜在向量；

步骤S4，将各点击项的潜在向量和会话的潜在向量相乘，输入至softmax层得到预测点击项。

进一步地，所述点击项的潜在向量构建过程如下：

将各点击项的低维嵌入向量输入到融合二阶协同信号的图卷积网络获得各点击项的嵌入向量，接着将各点击项的嵌入向量输入循环神经网络中获得点击项的潜在向量。

进一步地，所述点击项的嵌入向量构建过程如下：

步骤S20，堆叠L个图卷积层，获得点击项的第l层二阶协同信号