[发明专利]一种基于结构增强的图卷积神经网络会话推荐方法

说明书

本发明涉及会话推荐技术领域，具体涉及一种基于结构增强的图卷积神经网络会话推荐方法，首先获取目标会话文本的会话表示；然后基于会话表示生成对应的会话图，进而通过会话图识别目标会话文本中的噪声项目；再结合注意力机制重置噪声项目的注意力权重，以消除噪声项目的影响；最后计算最终预测概率分布，并基于最终预测概率分布进行项目推荐。本发明中基于结构增强的图卷积神经网络会话推荐方法能够识别噪声项目并解决噪声项目影响，从而能够提升会话项目推荐的准确性。

技术领域

本发明涉及互联网大数据技术领域，具体涉及一种基于结构增强的图卷积神经网络会话推荐方法。

背景技术

基于会话的推荐是一种针对匿名用户或未登录用户的一种推荐模式，其在如今的各大电商平台(淘宝、京东等)或流媒体平台(抖音，YouTobe等)发挥着重要作用。在实际场景中，某些时候只能获取到用户的短期历史交互，比如：新用户或未登录用户。此时，依赖于用户长期历史交互的推荐算法在会话推荐中的表现会收到限制，例如基于协同过滤或马尔可夫链的方法。因此，基于会话的推荐成为一个研究热点，其目标是根据用户在会话中的行为序列来推荐用户感兴趣的下一个项目(或商品)。

针对现有会话推荐方法的项目推荐准确性不高的问题，公开号为CN112035746A的中国专利公开了《一种基于时空序列图卷积网络的会话推荐方法》，其包括：将所有会话序列建模为有向会话图；以会话中共有的商品为链接，构建全局图；将ARMA过滤器嵌入到门控图神经网络中，提取图模型中随时间变化的拓扑图信号，并得到会话图中涉及的各个节点的特征向量；采用注意力机制从用户历史会话中得到全局偏好信息；从用户点击的最后一个会话中获取用户的局部偏好信息，并结合全局偏好信息得到用户最终偏好信息；预测每个会话中下一点击商品可能出现的概率，并给出Top-K推荐商品。

上述现有方案中的会话推荐方法从全局图中捕获丰富的会话表示(上下文关系)，通过注意力机制学习用户的全局和局部偏好，进而提供准确的商品预测。但是，现有GNN(图卷积网络)中的图结构是由静态方式构造的，一旦用户的偏好发生转移，就很容易为图结构带来噪声项目(信息)，导致图结构不准确，同时，项目转换关系中通常包含由用户意外或错误点击引起的噪声项目。然而，传统的注意力机制会为会话文本中的每一个项目分配注意力权重(重要性系数)，即噪声项目也会分配到相应的注意力权重，这容易将噪声信息引入到会话表示中，导致模型学习不准确的用户偏好表示，进而导致推荐准确性偏低。因此，如何设计一种能够解决噪声影响的会话推荐方法是亟需解决的技术问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种能够识别噪声项目并解决噪声项目影响的会话推荐方法，从而提升会话项目推荐的准确性。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于结构增强的图卷积神经网络会话推荐方法：首先获取目标会话文本的会话表示；然后基于会话表示生成对应的会话图，进而通过会话图识别目标会话文本中的噪声项目；再结合注意力机制重置噪声项目的注意力权重，以消除噪声项目的影响；最后计算最终预测概率分布，并基于最终预测概率分布进行项目推荐。

优选的，具体包括以下步骤：

S1：获取目标会话文本；

S2：将目标会话文本输入经过预先训练的会话推荐模型中；

所述会话推荐模型首先通过融合嵌入模块从三个角度分别提取目标会话文本的局部嵌入表示、全局嵌入表示和共识嵌入表示；再通过重复预测模块计算对应的重复预测概率；然后通过探索预测模块识别目标会话文本中的噪声项目、消除噪声项目的影响，并计算对应的探索预测概率；最后通过判断模块基于重复预测概率和探索预测概率计算对应的最终预测概率分布；

S3：基于会话推荐模型输出的最终预测概率分布进行项目推荐。