[发明专利]一种基于时间信息和星图网络的会话推荐系统及方法

说明书

本发明公开了会话推荐技术领域的一种基于时间信息和星图网络的会话推荐系统及方法，包括：获取用户浏览物品的会话序列，得到初始化源节点和星节点；利用会话序列中用户浏览物品的时间信息和门控图神经网络获取源节点的时间特征级信息；利用注意力集中计算每个源节点和星节点的相似性；基于源节点和星节点的相似性整合源节点和星节点的信息，得到源节点的新表示；基于源节点的新表示更新星节点表示；通过堆叠多层星图网络多次迭代更新源节点和星节点；使用公路网络将多层星图网络前后的源节点结合起来，得到会话最终表示；根据会话最终表示计算所有候选物品项的分数，生成推荐列表。本发明网络结构复杂性从二次降低到线性，大大减少了模型的计算。

技术领域

本发明涉及一种基于时间信息和星图网络的会话推荐系统及方法，属于会话推荐技术领域。

背景技术

推荐系统在各种在线平台上发挥着关键作用，因为它们通过向用户推荐有用的内容，有效地缓解了信息过载的问题。传统的推荐方法(如协同过滤)通常依赖于用户配置文件的可用性和长期的历史交互，在许多最近的现实场景中，当此类信息不可用时，传统的推荐方法在预测性能方面可能表现不佳。而基于会话的推荐由于具有很高的实用价值，近年来引起了研究者的广泛关注，它根据给定的匿名行为序列按时间顺序进行建模并预测下一个用户感兴趣的物品，发展了许多有效的推荐方法。

早期对基于会话的推荐的研究主要为马尔可夫链(MC)，它假设下一个动作基于之前的动作，这种独立组合可能会限制推荐模型的准确性。近年来，许多基于深度学习的方法被提出用于该任务，它们利用成对项目转移信息来建模给定会话的用户偏好，例如GRU4Rec和NARM等算法。还有一些尝试将图神经网络应用于会话推荐，如SR-GNN和GC-SAN等算法。虽然这些基于图神经网络的方法取得了令人振奋的结果，并为基于会话的推荐提供了一个新的、有希望的方向，但这些方法大多数存在两个不足。第一，几乎所有基于图神经网络的会话推荐算法都丢弃了用户浏览物品的时间信息，只根据交互时间对项目进行排序，并将重点放在顺序模式挖掘上，而且它们所构建的会话图中物品间的边权重均是在模型训练之前就预先指定并保持固定不变，也就是说，这些方法(隐式地)假定序列中所有相邻的项目具有相同的时间间隔，影响下一个项目的因素仅仅是前一个项目的位置和身份，显然这些方法的预测性能不够好。第二，大多数算法都是在相邻项之间传播信息，因此忽略了来自没有直接连接的项目的信息，无法捕获会话内的远程依赖信息。尽管GC-SAN利用Transformer结构能够连接没有直接连接的项目，但它的重型结构和完全连接的注意力连接导致了其对大型训练数据的依赖。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于时间信息和星图网络的会话推荐系统及方法，网络结构复杂性从二次降低到线性，大大减少了模型的计算。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种基于时间信息和星图网络的会话推荐方法，包括：

获取用户浏览物品的会话序列，得到初始化源节点和星节点；

利用会话序列中用户浏览物品的时间信息和门控图神经网络获取源节点的时间特征级信息；

利用注意力集中计算每个源节点和星节点的相似性；

基于源节点和星节点的相似性整合源节点和星节点的信息，得到源节点的新表示；

基于源节点的新表示更新星节点表示；

通过堆叠多层星图网络多次迭代更新源节点和星节点；

使用公路网络将多层星图网络前后的源节点结合起来，得到会话最终表示；

根据会话最终表示计算所有候选物品项的分数，生成推荐列表。

进一步的，所述初始化源节点为：