[发明专利]一种基于双通道信息融合的图神经网络会话推荐方法

说明书

本发明提出一种基于双通道信息融合的图神经网络会话推荐方法，该方法通过两个通道学习两个层次的会话嵌入，即全局信息增强的会话嵌入以及转导信息增强的会话嵌入。全局信息增强会话表示学习层利用其他会话和当前会话的信息来学习一个全局级的会话嵌入，转导信息增强会话表示学习层只利用当前会话的项目来学习一个新的会话嵌入，并将时间信息融入到会话序列中的项目表示中用于邻居嵌入学习，进一步增强会话序列中的顺序转导关系。该发明能够弱化在利用其他会话信息时引入的不相关项(噪声)对模型性能的影响，并且在邻居聚合时融合了时间信息，从而提升了会话推荐的质量和准确性。

技术领域

本发明专利涉及一种基于图神经网络的会话推荐方法，在推荐系统领域具有重要的应用前景和实用价值。

背景技术

随着互联网的飞速发展，信息过载的问题也越来越突出。为了缓解Web上的信息过载，推荐系统已经被广泛部署，并用于进行个性化的信息过滤。推荐系统的核心是预测用户是否会与某项商品进行交互，例如，点击、加购物车、购买等形式的交互。在许多现实世界的网络应用中也扮演着非常重要的角色，例如电子商务、短视频平台和音乐平台等。推荐系统取得巨大成功的原因在于它可以通过为每个用户提供个性化的推荐来缓解信息超载的问题。传统的推荐系统基于用户的个人资料和他们所有的历史活动来提供建议。然而，在某些情况下，这些信息是不能被访问的，在这种情况下，只有匿名用户在短时间内的行为可用。为了提高匿名用户的推荐质量，提出了基于会话的推荐，旨在基于匿名会话更好地预测下一个点击动作。基于会话的推荐作为一种基础的推荐任务，在学术界和产业界都得到了广泛的研究，它根据给定的匿名行为序列，按时间顺序预测下一个感兴趣的项目。基于会话的推荐的一个常见范例是学习会话中各个项目的向量表示(即项目嵌入)，然后根据序列中的项目表示生成会话表示，最后基于会话表示和所有商品嵌入之间的相似性执行top-k推荐。与大多数其他需要明确用户人口统计信息的推荐任务不同，会话推荐系统只依赖于正在进行的会话中的匿名用户操作日志(例如，点击)来预测用户的下一个操作。

发明内容

现有的基于图神经网络的会话推荐的方法虽然取得了很好的效果，但是仍存在着一些问题。首先，利用其他会话的项目转导信息虽然能够丰富当前会话序列中的项目表示，以便更好地推断当前会话的用户偏好，但不可避免的会引入不相关项(噪声)，从而对模型性能产生影响。其次，通过翻转会话序列的方式来利用反向位置编码进行项目表示的聚合，虽然能够更直观地衡量会话序列中每个项目的贡献，但一定程度上破坏了会话序列中项目的顺序转导关系。此外，现有的方法通常侧重于从空间结构信息的角度进行信息聚合，但对会话序列中相邻节点的时间信息的研究却不够深入。因此，针对上述这些问题，本发明提出一种基于双通道信息融合的图神经网络会话推荐方法。

本发明主要包括四个部分：(1)数据预处理。(2)会话图和全局图的构造。(3)基于转导信息增强门控图神经网络的会话推荐模型。(4)项目推荐。

(1)数据预处理和数据增强。长度为1的会话和出现次数少于5次的条目在所有三个数据集中都被过滤。此外，还对数据进行增强。对于一个会话序列S＝{v_s,1,v_s,2,...,v_s,n}，将其分割处理成序列和相应的标签，即([v_s,1]，v_s,2)，([v_s,1，v_s,2]，v_s,3)，...，([v_s,1，v_s,2，...，v_s,n-1]，v_s,n)。

(2)会话图和全局图的构造。由于采用的是图神经网络，因此需要将会话序列转换成图的形式。将图的构造分成两个部分：