一种基于会话上下文信息的会话推荐方法技术

本发明专利技术涉及互联网技术领域，公开了一种基于会话上下文信息的会话推荐方法，包括以下步骤：S1、根据会话中包含的上下文信息，对关系增强会话图中的节点进行向量随机初始化操作；S2、将关系增强会话图中节点的嵌入向量送入门控图神经网络中进行训练，得到会话序列s中各节点的嵌入向量表示；S3、将长短期兴趣向量表示拼接得到最后的会话向量表示，短期兴趣表示选取会话中最后一个物品的嵌入向量，长期兴趣表示使用软注意力机制计算得到；S4、对每一个候选项的得分进行计算，并得出所有候选项的推荐概率。本发明专利技术能够利用会话上下文信息体现各物品之间的关系，对物品的重要性进行区分，生成用户的兴趣表示，为用户提供准确的推荐。为用户提供准确的推荐。为用户提供准确的推荐。

【技术实现步骤摘要】
一种基于会话上下文信息的会话推荐方法


[0001]本专利技术涉及互联网
，尤其涉及一种基于会话上下文信息的会话推荐方法。

技术介绍

[0002]随着信息技术的飞速发展，互联网已经成为人们的日常生活中不可或缺的一部分。人们通过互联网获取信息、购买商品、进行社交和娱乐活动，在享受互联网带来的生活便利的同时，信息的洪流也涌入了人们生活中的各个方面，纷繁复杂的信息加大了人们寻找的难度。因此，推荐系统在人们的生产生活中发挥着越来越重要的作用，它能够在学习、生活、购物和医疗等方面，帮助用户以个性化的方式检索符合其需求的信息资源，让用户做出更合适的选择。推荐系统能够根据输入的用户信息、物品信息以及用户和物品之间的交互，对物品库中的物品进行排序并选取合适的物品为用户推荐。传统推荐方法无法获取到匿名用户的个人信息以及长期历史行为数据，而会话推荐方法可以利用匿名用户近一段时间内的行为数据分析用户的兴趣偏好，为用户提供准确的推荐。

技术实现思路

[0003]鉴于此，本专利技术的目的在于，提供一种基于会话上下文信息的会话推荐方法，基于图神经网络和节点信息的复杂转换，解决了传统推荐方法在获取会话序列中物品间关系上下文信息利用不充分的问题。
[0004]为了达到上述专利技术目的，进而采取的技术方案如下：
[0005]一种基于会话上下文信息的会话推荐方法，包括以下步骤：
[0006]S1、在会话推荐中，S＝{s1,s2,s3,...,s
|s|
}表示所有的会话数据的集合，V＝{v1,v2,v3,...,v
n
}表示会话中所涉及到的所有物品的集合，一条匿名会话序列s表示为s＝[v
s,1
,v
s,2
,v
s,3
,...,v
s,m
]，结合会话中包含的上下文信息，将集合中的每一条会话序列构造为关系增强会话图，对关系增强会话图中的节点进行向量随机初始化操作；
[0007]S2、将关系增强会话图中节点的嵌入向量送入门控图神经网络中进行训练，得到会话序列s中各节点的嵌入向量表示；
[0008]S3、为捕捉用户的动态兴趣偏好，使用长短期兴趣结合生成会话兴趣表示，短期兴趣表示选取会话中最后一个物品的嵌入向量，长期兴趣表示使用软注意力机制计算得到。将长短期兴趣向量表示拼接得到最后的会话向量表示；
[0009]S4、对每一个候选项的得分进行计算，并得出所有候选项的推荐概率。
[0010]作为本专利技术的进一步改进，在步骤S1中，所述上下文信息包括物品的点击顺序和点击次数。
[0011]作为本专利技术的进一步改进，在步骤S1中，结合会话中包含的上下文信息，将集合中的每一条会话序列构造为关系增强会话图，对关系增强会话图中的节点进行向量随机初始化操作，具体如下：
[0012](a)、根据会话中物品的点击顺序构造加权会话图G
sw
，使用边权重矩阵A
sw
[i,j]存储对应的图结构信息，并将使用边权重出边矩阵和边权重入边矩阵拼接的方式进行表示，如公式(1)
‑
(2)所示：
[0013][0014][0015]其中，e(v
s,i
,v
s,j
)代表用户在点击了v
s,i
节点后点击v
s,j
节点，如果e(v
s,i
,v
s,j
)在边集E
sw
中，则将边权重矩阵A
sw
[i,j]的值记为i+1，否则记为0；边权重入边矩阵由边权重出边矩阵转置得到的；
[0016](b)、对加权会话图进行进一步改进，将会话序列中包含的每一次点击都记录到加权会话图中，将边的权重逐次累计，得到关系增强会话图G
swn
,为每一个会话序列s＝[v
s,1
,v
s,2
,v
s,3
,...,v
s,m
]定义一个多重集合E
set
，将关系增强矩阵会话图中的连接边按照先后顺序放入多重集合E
set
中，并定义一个边值查找函数index来查找对应边值的大小，如公式(3)
‑
(4)所示：
[0017]E
set
＝{e(v
s,1
,v
s,2
),e(v
s,2
,v
s,3
),...,e(v
s,m
‑1,v
s,m
)}(3)
[0018]I(e(v
s,i
‑1,v
s,i
))＝{x|x＝index(e(v
s,i
‑1,v
s,i
),E
set
),ife(v
s,i
‑1,v
s,i
)inE
set
}(4)
[0019]式中：e(v
s,i
‑1,v
s,i
)代表用户在点击了v
s,i
‑1节点后点击v
s,i
节点；x代表边值查找函数查找的边e(v
s,i
‑1,v
s,i
)在E
set
中对应的位置编号，也就是边e(v
s,i
‑1,v
s,i
)的值；I代表存放查找出来的边值的集合；
[0020]使用关系增强矩阵A
swn
存储对应的图结构信息，使用出边关系增强矩阵和入边关系增强矩阵拼接的方式进行表示，如公式(5)
‑
(6)所示：
[0021][0022][0023]如果e(v
s,i
,v
s,j
)在边集E
swn
中，则将关系增强矩阵中A
swn
[i,j]的值记为累计得到的边权重值，否则记为0，入边关系增强矩阵经过出边关系增强矩阵经过出边关系增强矩阵转置得到；
[0024](c)、为了在一定程度上提高模型精度，并提升模型的收敛速度，对关系增强矩阵A
swn
进行归一化处理，并对会话图中所有节点进行向量随机初始化，如公式(7)
‑
(8)所示：
[0025][0026]式中，A
swn
[i,j]代表累计e(v
s,i
,v
s,j
)得到的边权重值，min(A
swn
)代表关系增强矩阵中的最小值，max(A
swn
)代表关系增强矩阵中的最大值；
[0027]e
i
＝Embedding(v
i
)(8)
[0028]式中，e
i
代表每个物品v
i
∈V的嵌入向量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于会话上下文信息的会话推荐方法，其特征在于，包括以下步骤：S1、在会话推荐中，S＝{s1,s2,s3,...,s
|s|
}表示所有的会话数据的集合，V＝{v1,v2,v3,...,v
n
}表示会话中所涉及到的所有物品的集合，一条匿名会话序列s表示为s＝[v
s,1
,v
s,2
,v
s,3
,...,v
s,m
]，结合会话中包含的上下文信息，将集合中的每一条会话序列构造为关系增强会话图，对关系增强会话图中的节点进行向量随机初始化操作；S2、将关系增强会话图中节点的嵌入向量送入门控图神经网络中进行训练，得到会话序列s中各节点的嵌入向量表示；S3、为捕捉用户的动态兴趣偏好，使用长短期兴趣结合生成会话兴趣表示，短期兴趣表示选取会话中最后一个物品的嵌入向量，长期兴趣表示使用软注意力机制计算得到。将长短期兴趣向量表示拼接得到最后的会话向量表示；S4、对每一个候选项的得分进行计算，并得出所有候选项的推荐概率。2.根据权利要求1所述的一种基于会话上下文信息的会话推荐方法，其特征在于：在步骤S1中，所述上下文信息包括物品的点击顺序和点击次数。3.根据权利要求2所述的一种基于会话上下文信息的会话推荐方法，其特征在于：在步骤S1中，结合会话中包含的上下文信息，将集合中的每一条会话序列构造为关系增强会话图，对关系增强会话图中的节点进行向量随机初始化操作，具体如下：(a)、根据会话中物品的点击顺序构造加权会话图G
sw
，使用边权重矩阵A
sw
[i,j]存储对应的图结构信息，并将使用边权重出边矩阵和边权重入边矩阵拼接的方式进行表示，如公式(1)
‑
(2)所示：(2)所示：其中，e(v
s,i
,v
s,j
)代表用户在点击了v
s,i
节点后点击v
s,j
节点，如果e(v
s,i
,v
s,j
)在边集E
sw
中，则将边权重矩阵A
sw
[i,j]的值记为i+1，否则记为0；边权重入边矩阵由边权重出边矩阵转置得到的；(b)、将会话序列中包含的每一次点击都记录到加权会话图中，将边的权重逐次累计，得到关系增强会话图G
swn
,为每一个会话序列s＝[v
s,1
,v
s,2
,v
s,3
,...,v
s,m
]定义一个多重集合E
set
，将关系增强矩阵会话图中的连接边按照先后顺序放入多重集合E
set
中，并定义一个边值查找函数index来查找对应边值的大小，如公式(3)
‑
(4)所示：E
set
＝{e(v
s,1
,v
s,2
),e(v
s,2
,v
s,3
),...,e(v
s,m
‑1,v
s,m
)}(3)I(e(v
s,i
‑1,v
s,i
))＝{x|x＝index(e(v
s,i
‑1,v
s,i
),E
set
),ife(v
s,i
‑1,v
s,i
)inE
set
}(4)式中：e(v
s,i
‑1,v
s,i
)代表用户在点击了v
s,i
‑1节点后点击v
s,i
节点；x代表边值查找函数查找的边e(v
s,i
‑1,v
s,i
)在E
set
中对应的位置编号，也就是边e(v
s,i
‑1,v
s,i
)的值；I代表存放查找出来的边值的集合；使用关系增强矩阵A
swn
存储对应的图结构信息，使用出边关系增强矩阵和入边关系增强矩阵拼接的方式进行表示，如公式(5)
‑
(6)所示：
如果e(v
s,i
,v
s,j
)在边集E
swn
中，则将关系增强矩阵中A
swn
[i,j]的值记为累计得到的边权重值，否则记为0，入边关系增强矩阵经过出边关系增强矩阵经过出边关系增强矩阵转置得到；(c)、对关系增强矩阵A
swn
进行归一化处理，并对会话图中所有节点进行向量随机初始化，如公式(7)
‑
(8)所示：式中，A
swn
[i,j]代表累计e(v
s,i
,v
s,j
)得到的边权重值，...

【专利技术属性】
技术研发人员：麻琳，刘杰，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：