[发明专利]一种基于知识增强注意力图神经网络的下一项推荐方法

权利要求书

1.一种基于知识增强注意力图神经网络的下一项推荐方法，包括下列步骤：

步骤S1：将一个会话数据集中的每个会话表示为会话中项目序列、会话的目标行为序列和会话的辅助行为序列，并将该会话数据集划分为训练集、测试集和验证集；

步骤S2：利用所述训练集构建一个基于知识增强注意力图神经网络的下一项推荐方法NR-KAGNN的初始模型；

步骤S3：利用所述训练集和验证集对所述NR-KAGNN的初始模型进行参数调节后得到NR-KAGNN的优化模型，并使用所述测试集评估该优化模型的推荐准确度；

步骤S4：利用所得的NR-KAGNN的优化模型为会话数据集中或实际会话数据中的用户提供下一项推荐。

2.根据权利要求1所述的方法，其特征在于，所述步骤S2进一步包括下列步骤：

步骤S21：构建所述下一项推荐方法NR-KAGNN的初始模型中的知识增强的多类型行为会话图生成层，并利用该层获得一个知识增强的多类型行为会话图；

步骤S22：构建所述下一项推荐方法NR-KAGNN的初始模型中的知识增强的多类型行为会话图上的注意力聚合层，并利用该层获得一个目标行为序列图和一个辅助行为序列图；

步骤S23：构建所述下一项推荐方法NR-KAGNN的初始模型中的多类型行为会话的嵌入生成层，并利用该层生成一个多类型行为会话的嵌入；

步骤S24：构建所述下一项推荐方法NR-KAGNN的初始模型中的下一项概率预测层，并利用该层生成一个关于所述会话数据集中所有项目的下一项概率向量，其中每一个分量表示相应项目将成为用户的下一个交互项目的概率。

3.根据权利要求1或2所述的方法，其特征在于，所述步骤S21进一步包括下列步骤：

步骤S211：将所述会话数据集中每个项目表示为一个d维向量，其中超参数d∈{64，128，256}，由此得到会话数据集中所有项目的初始嵌入；

步骤S212：利用所述会话中项目序列、会话的目标行为序列和会话的辅助行为序列来构建一个多类型行为会话图，其定义如下：

该会话图中每个节点表示会话中项目序列中一个项目，该会话图中每条有向边都表示一对项目之间的一种关系，该关系表示为一个三元组：(头项目，尾项目，边类型)，其中，边类型有三类：目标行为、辅助行为、项目序列，一条目标行为边表示在会话的目标行为序列中用户与一个头项目交互后接着与一个尾项目进行交互，一条辅助行为边表示在会话的辅助行为序列中用户与一个头项目交互后接着与一个尾项目进行交互，一条项目序列边表示在所述会话中项目序列中用户与一个头项目交互后接着与一个尾项目进行交互；

步骤S213：将所述会话中项目序列中的所有项目与一个知识图谱中的实体进行对齐，得到一个项目实体集，并在该知识图谱中形成该项目实体集中每个实体的一个多跳邻域；

步骤S214：通过知识图谱嵌入模型TransR来产生所述知识图谱中每个实体和每个关系的初始嵌入，并使用知识图注意力网络进行多跳注意力嵌入传播来产生所述项目实体集中所有实体的嵌入，所述多跳注意力嵌入传播具体包括：

依次执行信息传播、信息聚合、高阶传播和全连接共四个步骤来产生所述项目实体集中所有实体的嵌入，具体如下：

所述信息传播步骤通过关系注意力机制计算所述项目实体集中每个实体与所述知识图谱中该实体的每个直接邻居之间的关系系数，并根据这些关系系数对该实体的所有直接邻居进行加权聚合后获得该实体的邻居信息；

所述信息聚合步骤使用双向交互聚合器聚合每个实体的初始嵌入和该实体的邻居信息来形成该实体的第1跳嵌入；

所述高阶传播步骤通过多次依次执行上述信息传播步骤和信息聚合步骤来为每个实体收集来自它的更高跳邻居的信息，进一步地，一个实体的第H跳嵌入是通过将该实体在第H-1跳嵌入和该实体的第H-1跳的邻居信息进行聚合后产生的，其中超参数H∈{1，2，3，4，5}；

所述全连接步骤将每个实体经过多跳注意力嵌入传播后产生的第1，2，...，H跳嵌入拼接成一个向量，然后对该向量进行一次线性变换后获得该实体的嵌入；

步骤S215：使用融合函数将所述多类型行为会话图中项目的初始嵌入与所述项目实体集中实体的嵌入进行融合后得到一个知识增强的多类型行为会话图，所述融合函数由下列公式定义：

式中，||是向量拼接操作，是该项目实体集中一个实体的嵌入，v_i是该多类型行为会话图中一个项目的初始嵌入，i∈{1，2，...，n}，n是该多类型行为会话图中节点的总数，是一个权重矩阵，超参数d∈{64，128，256}是项目的初始嵌入的向量维度，计算结果x_i是知识增强的多类型行为会话图中一个项目的嵌入。