【技术实现步骤摘要】
本说明书实施例涉及推荐，特别涉及基于超图卷积神经网络的跨域序列推荐方法以及装置。
技术介绍
1、序列推荐是推荐系统领域的核心任务之一，序列推荐的核心目标在于通过深入解析用户历史行为序列，捕捉其随时间动态演变的兴趣，进而为用户提供精准的下一个项目推荐。当面临用户行为序列较短或数据稀疏的情境时，大多数现有序列推荐模型在准确描绘用户个性化偏好方面仍面临不小的挑战。
2、在现有的序列推荐方案中，仍然存在着项目推荐不准确的问题，因此，如何基于用户历史行为序列，提升项目推荐的准确度是目前需要解决的问题。
技术实现思路
1、有鉴于此，本说明书实施例提供了超图卷积神经网络的跨域序列推荐方法。本说明书一个或者多个实施例同时涉及基于超图卷积神经网络的跨域序列推荐装置，推荐系统，计算设备，计算机可读存储介质以及计算机程序产品，以解决现有技术中存在的技术缺陷。
2、根据本说明书实施例的第一方面，提供了一种基于超图卷积神经网络的跨域序列推荐方法，包括：
3、获取多个域的历史用户交互项目时序序列，其中，所述历史用户交互项目时序序列包括多个用户对应的交互项目；构建不同时段对应的局部超图和全局超图，其中，所述局部超图为基于对应时段内目标域的所述历史用户交互项目时序序列内的交互项目构建的超图，所述全局超图为基于对应时段内所述多个域的所述历史用户交互项目时序序列内的交互项目构建的超图，所述目标域为所述多个域中的任一域，所述局部超图和所述全局超图中的任一超边表示任一用户在对应时段内的
4、根据本说明书实施例的第二方面，提供了一种跨域序列推荐模型训练方法，包括：
5、从训练样本集中获取多个域的用户交互项目时序序列样本以及所述用户交互项目时序序列样本对应的标签信息，其中，所述用户交互项目时序序列样本包括多个用户对应的交互项目；构建不同时段对应的局部超图和全局超图，其中，所述局部超图为基于对应时段内目标域的所述用户交互项目时序序列样本内的交互项目构建的超图，所述全局超图为基于对应时段内所述多个域的所述用户交互项目时序序列样本内的交互项目构建的超图，所述目标域为所述多个域中的任一域，局部超图和全局超图中的任一超边表示任一用户在对应时段内的交互项目构成的交互项目时序子序列；将所述局部超图和全局超图输入预设模型，预测出用户的待交互项目，其中，所述预设模型，用于通过超图卷积网络基于局部超图和全局超图，对不同用户的交互项目时序子序列之间以及所述交互项目时序子序列内部的协作信息进行提取，得到所述交互项目的包含所述协作信息的项目特征，基于任一用户在多个时段的所述交互项目时序子序列内的交互项目对应的项目特征确定该用户的用户项目交互特征，并基于所述用户项目交互特征预测所述待交互项目；利用所述待交互项目以及标签信息计算训练损失；基于所述训练损失更新所述预设模型的参数，得到参数更新后的预设模型，若不满足训练结束条件，则继续执行所述从训练样本集中获取多个域的用户交互项目时序序列样本以及所述用户交互项目时序序列样本对应的标签信息的步骤，当满足训练结束条件，则将当前的参数更新后的预设模型确定为跨域序列推荐模型。
6、根据本说明书实施例的第三方面，提供了一种基于超图卷积神经网络的跨域序列推荐装置，包括：
7、序列获取模块，用于获取多个域的历史用户交互项目时序序列，其中，所述历史用户交互项目时序序列包括多个用户对应的交互项目；
8、超图构建模块，用于构建不同时段对应的局部超图和全局超图，其中，所述局部超图为基于对应时段内目标域的所述历史用户交互项目时序序列内的交互项目构建的超图，所述全局超图为基于对应时段内所述多个域的所述历史用户交互项目时序序列内的交互项目构建的超图，所述目标域为所述多个域中的任一域，局部超图和全局超图中的任一超边表示任一用户在对应时段内的交互项目构成的交互项目时序子序列；
9、项目预测模块，用于将所述局部超图和全局超图输入跨域序列推荐模型，预测出用户的待交互项目；
10、其中，所述跨域序列推荐模型，用于通过超图卷积网络基于局部超图和全局超图对不同用户的交互项目时序子序列之间以及所述交互项目时序子序列内部的协作信息进行提取，得到所述交互项目的包含所述协作信息的项目特征，基于任一用户在多个时段的所述交互项目时序子序列内的交互项目对应的项目特征确定该用户的用户项目交互特征，并基于所述用户项目交互特征预测所述待交互项目。
11、根据本说明书实施例的第四方面，提供了一种推荐系统，包括服务器和客户端设备，其中，
12、所述服务器用于：获取多个域的历史用户交互项目时序序列，所述历史用户交互项目时序序列包括多个用户对应的交互项目；构建不同时段对应的局部超图和全局超图，所述局部超图为基于对应时段内目标域的所述历史用户交互项目时序序列内的交互项目构建的超图，所述全局超图为基于对应时段内所述多个域的所述历史用户交互项目时序序列内的交互项目构建的超图，所述目标域为所述多个域中的任一域，局部超图和全局超图中的任一超边表示任一用户在对应时段内的交互项目构成的交互项目时序子序列；将所述局部超图和全局超图输入跨域序列推荐模型，预测出用户的待交互项目；向所述用户对应的客户端设备发送待交互项目对应的推荐信息，所述跨域序列推荐模型，用于通过超图卷积网络基于局部超图和全局超图，对不同用户的交互项目时序子序列之间以及所述交互项目时序子序列内部的协作信息进行提取，得到所述交互项目的包含所述协作信息的项目特征，基于任一用户在多个时段的所述交互项目时序子序列内的交互项目对应的项目特征确定该用户的用户项目交互特征，并基于所述用户项目交互特征预测所述待交互项目；
13、所述客户端设备，用于接收所述推荐信息，通过用户交互界面显示所述待交互项目。
14、根据本说明书实施例的第五方面，提供了一种计算设备，包括：
15、存储器和处理器；
16、所述存储器用于存储计算机程序/指令，所述处理器用于执行所述计算机程序/指令，该计算机程序/指令被处理器执行时实现上述基于超图卷积神经网络的跨域序列推荐方法的步骤，和/或上述跨域序列推荐模型训练方法。
17、根据本说明书实施例的第六方面，提供了一种计算机可读存储介质，其存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现上述基于超图卷积神经网络的跨域序列推荐方法的步骤，和/或上述跨域序列推荐模型训练方法。
1本文档来自技高网...
【技术保护点】
1.一种基于超图卷积神经网络的跨域序列推荐方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述超图卷积网络包括不同时段对应的不同卷积结构，任一时段内不同局部超图以及全局超图分别对应不同的卷积结构，所述通过超图卷积网络基于所述局部超图和所述全局超图，对不同用户的交互项目时序子序列之间以及所述交互项目时序子序列内部的协作信息进行提取，得到所述交互项目的包含所述协作信息的项目特征，包括：
3.根据权利要求2所述的方法，其特征在于，所述跨域序列推荐模型还包括与同一时段的局部超图以及全局超图对应的卷积结构的输出端连接的门控模块，不同时段对应不同的所述门控模块，其中，所述门控模块用于：
4.根据权利要求3所述的方法，其特征在于，确定内部特征，包括：
5.根据权利要求3所述的方法，其特征在于，确定外部节点特征，包括：
6.根据权利要求3所述的方法，其特征在于，确定外部超边特征，包括：
7.根据权利要求1所述的方法，其特征在于，所述基于任一用户在多个时段的所述交互项目时序子序列内的交互项目对应的项目特征确
8.根据权利要求1所述的方法，其特征在于，所述基于所述用户项目交互特征预测所述待交互项目，包括：
9.一种跨域序列推荐模型训练方法，其特征在于，包括：
10.一种基于超图卷积神经网络的跨域序列推荐装置，其特征在于，包括：
11.一种推荐系统，其特征在于，包括服务器和客户端设备，其中，
12.一种计算设备，其特征在于，包括：
13.一种计算机可读存储介质，其特征在于，其存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现权利要求1至8任意一项所述基于超图卷积神经网络的跨域序列推荐方法的步骤，和/或权利要求9所述的跨域序列推荐模型训练方法。
14.一种计算机程序产品，其特征在于，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现权利要求1至8任意一项所述基于超图卷积神经网络的跨域序列推荐方法的步骤，和/或权利要求9所述的跨域序列推荐模型训练方法。
...【技术特征摘要】
1.一种基于超图卷积神经网络的跨域序列推荐方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述超图卷积网络包括不同时段对应的不同卷积结构，任一时段内不同局部超图以及全局超图分别对应不同的卷积结构，所述通过超图卷积网络基于所述局部超图和所述全局超图，对不同用户的交互项目时序子序列之间以及所述交互项目时序子序列内部的协作信息进行提取，得到所述交互项目的包含所述协作信息的项目特征，包括：
3.根据权利要求2所述的方法，其特征在于，所述跨域序列推荐模型还包括与同一时段的局部超图以及全局超图对应的卷积结构的输出端连接的门控模块，不同时段对应不同的所述门控模块，其中，所述门控模块用于：
4.根据权利要求3所述的方法，其特征在于，确定内部特征，包括：
5.根据权利要求3所述的方法，其特征在于，确定外部节点特征，包括：
6.根据权利要求3所述的方法，其特征在于，确定外部超边特征，包括：
7.根据权利要求1所述的方法，其特征在于，所述基于任一用户在多个时段...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。