面向序列化推荐的图耦合时间间隔网络研究制造技术

近年Transformer框架和图神经网络引起了学术界和工业界的极大关注，一些研究者借助Transformer框架和原始的用户

【技术实现步骤摘要】
面向序列化推荐的图耦合时间间隔网络研究
[0001]技术空间
[0002]本专利技术涉及机器学习和推荐系统领域，尤其是图神经网络和Transformer框架在序列化推荐领域上的研究。

技术介绍

[0003]随着互联网的发展和移动终端的普及，互联网和电子产品为人们带来便利的同时也导致信息过载问题的出现。个性化推荐作为缓解这一问题的重要工具，已经被部署在流媒体短视频、电子商务等应用中。
[0004]协同过滤(Collaborative Filtering，CF)作为传统推荐方法中最流行的技术，通过对用户
‑
物品二部图建模，借助用户对物品的评分或其他行为模式向用户提供个性化的推荐。基于CF的推荐方法虽简单有效，却忽略了所蕴含的丰富辅助信息，并以一种静态方式建模用户兴趣。在现实生活中，由于用户兴趣天然具备动态性，因此推断用户下一时刻将访问何物品比了解用户的一般喜好更为实际，这种问题亦称为序列化推荐。例如，用户A先购买iPhone手机，然后又购买Ai rPods耳机，那么接下来浏览手机保护壳或手机膜是可能的。因此，当前诸多研究利用用户
‑
物品交互行为的动态性来建模用户兴趣以提高推荐准确性。
[0005]近年来，随着图神经网络和Transformer框架在学术界和工业界的广泛成功，研究人员致力于将它们部署在推荐系统任务中。图神经网络借助用户
‑
物品二部图，堆叠多个表征传播层将交互图中的协作信号编码到表征学习过程中；对于Transformer框架，采用自注意力机制取缔复杂的递归或卷积操作实现了显著的性能和效率提升。然而，专利技术人发现，以往工作在以下三方面仍存在局限性：
[0006](1)仅依靠个人行为数据来模拟用户长期兴趣而未显式利用协作信号及其他辅助信息。然而，物品流行度服从长尾分布，基于GNN的方法很大程度上依赖用户
‑
物品交互图的性能，但是非活动用户和不受欢迎的物品仅有有限的邻居，这使得传统基于GNN的模型难以学习令人满意的用户长期偏好。
[0007](2)忽略了最近近期多个行为和目标物品之间的时间间隔影响。它们通常将用户的行为记录视为一个有序序列，无法感知近期行为与目标物品之间的时间间隔信息，这可能导致无法准确建模用户的短期兴趣。
[0008](3)缺乏适应性。在得到用户的长期与短期兴趣之后，已有工作通常采用加法运算或拼接操作来进行预测。这两种方式虽简单直观，但无法区分特定情境下各部分的贡献度。

技术实现思路

[0009]针对上述问题，本专利技术公开一种面向序列化推荐的图耦合时间间隔网络，包括4个模块：数据输入模块、类别感知的图传播模块、时间间隔敏感的自注意力机制和模型预测模块。首先，根据用户、物品、类别ID初始表征，并映射到D维向量空间中，为所有用户、物品、类别建立表征查找表得到对应的输入矩阵；其次，为了改进所有用户和物品的初始表征，设计类别感知的图传播模块，将类别信息视作一种新的类型节点，将类别相似的用户
‑
用户和用
户
‑
物品邻近信息集成到图结构中，扩展了原始的用户
‑
物品交互图结构。基于此，显式挖掘用户
‑
物品
‑
类别三部图中的高阶近邻信息以捕捉用户之间的行为相似性；然后，截取最近L次交互行为作为短期兴趣建模的输入，先将用户表征注入到行为子序列表征矩阵中，并按照设计的时间间隔计算方法得到个性化的时间间隔信息，以克服先前工作潜在假设任意两个行为之间具有相同时间间隔的缺点；此外，利用时间间隔敏感的自注意力机制筛选出对下一时刻推荐更为重要的物品，得出用户的短期兴趣表征。最后，采用个性化门控策略将经过类别感知的图传播模块和时间间隔敏感的自注意力机制得到的两个表征进行融合，能够依据不同推荐场景自适应的为两部分分配权重，进而得到每个用户的最终兴趣表征。
[0010]与现有技术相比，本专利技术的有效效果是：
[0011](1)本专利技术提出面向序列化推荐的图耦合时间间隔网络，旨在关注物品类别和时间间隔信息以提高个性化推荐质量，无缝结合图神经网络和Transformer框架的优点，共同探索两类信息对于下一时刻物品预测的重要性。
[0012](2)本专利技术能够细粒度捕捉用户长短期兴趣，分别设计了类别感知的图传播模块和时间间隔敏感的自注意力机制。前者通过用户
‑
物品
‑
类别三部图中的高阶连通性平衡流行节点和尾部节点的表征学习；后者显式建模了时间间隔信息对于下一时刻推荐物品的影响。
[0013](3)本专利技术设计一种个性化门控策略，以动态区分不同场景下各模块的贡献度。该策略使公开模型不仅提高推荐的精度而且提高了训练效率，实现精度与效率之间的最佳平衡。
附图说明
[0014]为了更清楚的说明本专利技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图简单地介绍。
[0015]图1是本专利技术实施例的推荐场景示意图；
[0016]图2是本专利技术实施例的GCTN框架示意图；
[0017]图3是本专利技术实施例GCTN在不同表征维度设置下各评价指标结果比较图；
[0018]图4是本专利技术实施例在不同推荐列表长度设置下各推荐方法的归一化折损累计增益比较图；
[0019]图5是本专利技术实施例在不同推荐列表长度下各推荐方法的精确度比较图；
[0020]图6是本专利技术实施例在不同用户分组上的归一化折损累计增益比较图；
[0021]图7是本专利技术和基准方法训练时间的比较图。
[0022]具体实施
[0023]随着互联网的飞速发展，网络购物已经逐渐成为一种主流的购物方式，在手机淘宝APP的物品搜索界面，系统根据用户之前的历史搜索，给出“猜你想搜”关键词以及“淘宝”热搜推荐。
[0024]如图1所示，是一个电子商务场景下的用户推荐示例，在该场景中，用户的兴趣偏好通过不同的时间间隔信息呈现。例如，用户Mia的购买历史是{(手提包，4月3日)，(裙子，4月26日)，(牛仔裤，5月1日)，(珠宝，5月30日)}；用户Linda的最近购买记录是{(手提包，5月22日)，(短裤，5月27日)，(拖鞋，5月28日)，(太阳镜，5月31日)}。尽管物品“手提包”在两个
用户中处于相同的次序位置，但显然应为Linda的短期兴趣贡献更多信息。在对用户长短期兴趣建模时，能否考虑辅助信息将直接影响推荐结果的精确度。同样，如何运用时间间隔信息，也将对下一时刻物品预测产生较大的影响。
[0025]1.问题定义：
[0026]对于序列化推荐而言，用和分别表示用户和物品的集合，C表示物品类别集合，其中每个物品属于一个类别，表示用户u是否点击/购买/访问过对应物品，r
ui
＝1表示用户u与物品i存在交互行为，否则r
ui
＝0。和分别表示用户数量和物品数量。根据用户
‑
物品交互矩阵R和物品类别集合C，可以构造本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向序列化推荐的图耦合时间间隔网络研究，其特征在于，(1)关注序列化推荐中的用户长短期兴趣建模过程，利用物品类别信息和时间间隔信息共同探索对下一个物品预测的重要性；(2)该网络包含4个模块，分别是数据输入模块、类别感知的图传播模块、时间间隔敏感的自注意力机制和模型预测；(3)设计了一种个性化的门控策略，用于区分不同推荐场景下各模块的贡献度，提升模型预测准确率。2.根据权利要求1所述的面向序列化推荐的图耦合时间间隔网络，为用户、物品、类别分别初始化表征向量，并通过全连接层投影到D维向量空间，为用户、物品、类别建立表征查找表得到表征矩阵：3.根据权利要求1和2所述的面向序列化推荐的图耦合时间间隔网络，其特征在于，依据用户
‑
物品交互图执行表征传播的优点，通过引入类别节点，构建用户
‑
物品
‑
类别三部图并构建新的消息传播规则，具体为：步骤1：对于每个用户
‑
物品
‑
类别三元组(u,c,i)，定义第k层从用户u到物品i的消息传播规则：步骤2：将用户u对物品i的主题兴趣注入到表征学习过程中。类似地，物品i到用户u的消息传播规则定义为：步骤3：通过叠加多个图卷积层，可得出每个用户和物品在不同卷积层上的表征；为了增强节点的可区分性，进一步采用平...

【专利技术属性】
技术研发人员：吴宾，时天任，孙中川，梁慧丹，叶阳东，
申请(专利权)人：郑州大学，
类型：发明
国别省市：