[发明专利]一种基于有向和无向结构信息的图神经网络的项目推荐方法

说明书

本发明公开了一种基于有向和无向结构信息的图神经网络的项目推荐方法，包括：根据会话序列图的邻接关系，利用图卷积网络提取图中的无向结构信息，利用门控图神经网络提取图中的有向结构信息，再计算得到中间项目隐含向量，对得到的中间项目隐含向量通过线性变换得到最终的项目隐含向量；给会话序列中出现的重复点击项目分配更高的注意力，并在生成项目隐含向量的时候引入注意力机制，根据项目间依赖的程度修改相应项目的权重系数。本发明使得生成的会话向量在推荐过程中预测得更准确。

技术领域

本发明涉及推荐方法技术领域，特别涉及基于有向和无向结构信息的图神经网络的项目推荐方法。

背景技术

推荐系统是数据挖掘和机器学习领域最重要的下游应用之一。它能帮助平台用户缓解信息过载的问题，并在电商平台、音乐网站等等的许多网页应用中挑选出有价值的信息。在大部分推荐系统中用户的行为序列是按照时间排列的，并且呈现出匿名性和大数据量的特征。为了预测用户在下一时刻的行为信息，基于会话序列的推荐通过挖掘用户历史行为中的序列顺序特征信息，从而学习用户的喜好。

会话序列指的是在一段时间间隔内的由用户点击而产生的项目序列；而基于会话序列的推荐能捕捉到序列内部的依赖关系对序列预测的重要性。换言之，用户在某一个会话序列中通常有着一个共同的目的，例如购买夏装衣物；而用户在不同序列间的行为特性可能关联性就不大，例如在其他会话中用户的目的是购买手机配件等。基于会话序列的推荐就是要预测用户的下一个点击，也就是会话s中的序列标签v_n+1。利用基于会话序列的推荐模型，对每个会话s都可以得到所有可能项目的概率其中概率向量中包括了出现在当前会话后下一个点击项目的所有可能情况，且每个元素的值都代表了对应项目的推荐得分，中排名最高的前K个的项目即为将要推荐的候选项目。

鉴于其较高的实际价值，基于会话序列的推荐在近几年受到了很大的关注，并且出现了许多有良好效果的研究成果。早期的方法主要基于马尔可夫链和循环神经网络。随着近期图神经网络兴起并且在许多下游任务中有着不俗的表现，有的研究工作把GNNs应用到了基于会话序列推荐中。尽管这些基于GNNs的方法有着较好的表现，但是这些方法也存在着一些问题。

(1)忽略了点击序列中重复出现的项目。实际上多次出现的项目与其他项目的重要程度是不一样的，这些项目在一定程度上能够体现用户偏好信息。

(2)在生成项目的向量表示时没有较好地利用会话序列图中的结构信息。实际上只考虑项目之间的方向性是不足够的，引入项目之间的无向关系能够更好地学习用户的行为信息。

比如，FONSECA等人的论文Improving music recommendation in session-basedcollaborative filtering by using temporal context提出用聚类方法把稀疏会话向量转换为稠密向量；PARK.S.E等人的论文Session-based collaborative filtering forpredicting the next song提出了一种把会话序列转换成向量的方法，然后计算会话向量之间的余弦相似度。可以看出基于邻域的方法虽然简单但是有效；同时，它也受到数据稀疏性的影响，更关键的是上述方法都没有考虑到会话向量内部项目之间的复杂转换关系。

发明内容

本发明要解决的技术问题是提供一种基于有向和无向结构信息的图神经网络的项目推荐方法，以解决现存技术所存在的忽略点击序列中重复出现的项目的问题以及在生成项目的向量表示时，没有较好地利用会话序列图中的结构信息的问题。

为解决上述技术问题，本发明提供了一种基于有向和无向结构信息的图神经网络的项目推荐方法，总体框架如图1所示，包括如下步骤：