一种基于自监督图学习的会话推荐方法、系统及设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114969561A(43)申请公布日2022.08.30(21)申请号202210510720.7(22)申请日2022.05.11(71)申请人中国人民解放军国防科技大学地址410003湖南省长沙市开福区德雅路109号(72)发明人蔡飞王祎童刘登峰王思远李佩宏宋城宇张鑫陈洪辉张维明(74)专利代理机构北京风雅颂专利代理有限公司11403专利代理师曾志鹏(51)Int.Cl.G06F16/9536(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书14页附图4页(54)发明名称一种基于自监督图学习的会话推荐方法、系统及设备(57)摘要本发明公开了一种基于自监督图学习的会话推荐方法、系统及设备，该方法包括：从会话集中获取当前会话，通过图注意力网络进行信息传播学习当前会话中的每个物品表示，并通过生成用户的长期兴趣和短期兴趣得到会话表示；根据会话集建立显示全局图，从中获取物品之间的连接信息和非连接信息生成自监督信号，计算自监督损失；利用会话表示获取每个候选物品的预测推荐概率；对候选集进行目标自适应屏蔽处理获得新的候选集，计算主监督损失；根据自监督损失和主监督损失获得综合损失，并通过综合损失更新物品表示和网络参数，以优化每个候选物品的预测推荐概率。本发明实现了优化物品推荐，有效提高推荐准确度的目的。CN114969561ACN114969561A权利要求书1/3页1.一种基于自监督图学习的会话推荐方法，其特征在于，包括：获取会话集，该会话集包含n个会话；从所述会话集中获取当前会话，通过图注意力网络进行信息传播学习所述当前会话中的每个物品表示，并通过生成用户的长期兴趣和短期兴趣得到会话表示；根据所述会话集建立显示不同会话之间物品连接的全局图，从所述全局图中获取物品之间的连接信息和非连接信息生成自监督信号，并根据所述自监督信号计算自监督损失；获取包含m个候选物品的候选集，并利用所述会话表示获取每个所述候选物品的预测推荐概率；对所述候选集进行目标自适应屏蔽处理获得新的候选集，并根据新的候选集计算主监督损失；根据所述自监督损失和所述主监督损失获得综合损失，并通过所述综合损失更新所述物品表示和所述图注意力网络的网络参数，以优化每个所述候选物品的预测推荐概率；在综合损失小于预设值时，结束推荐优化，并获取每个所述候选物品的最优推荐概率。2.根据权利要求1所述的基于自监督图学习的会话推荐方法，其特征在于，所述从所述会话集中获取当前会话，通过图注意力网络进行信息传播学习所述当前会话中的每个物品表示，并通过生成用户的长期兴趣和短期兴趣得到会话表示，包括：根据当前会话构建局部图，该局部图表示为：Gτ＝{Vτ,Eτ}，其中Vτ为所述局部图的节点集合，包含所述当前会话中所有的物品；Eτ为所述局部图的边集合，包含所述当前会话中物品之间的成对传递关系；将所述局部图输入图注意力网络，在所述图注意力网络上进行信息传播后获取所述局部图中每个节点的嵌入向量；根据所述每个节点的嵌入向量，从所述局部图中恢复物品之后，得到当前会话中按时间顺序排列的物品表示序列；将所述物品表示序列中最后一个物品的嵌入表示确定为用户的短期兴趣，并通过注意力机制聚合所述物品的嵌入表示生成用户的长期兴趣；根据所述用户的短期兴趣和长期兴趣生成会话表示。3.根据权利要求2所述的基于自监督图学习的会话推荐方法，其特征在于，所述用户的长期兴趣表示为：γi＝softmax(βi)，βi＝W4σ(W5ui+W6Cs)，其中，Cl为用户的长期兴趣；Cs为用户的短期兴趣；W4、W5和W6为注意力机制的权重参数；softmax()为softmax函数；σ为sigmoid函数。4.根据权利要求2所述的基于自监督图学习的会话推荐方法，其特征在于，所述将所述局部图输入图注意力网络，在所述图注意力网络上进行信息传播后获取所述局部图中每个节点的嵌入向量，包括：通过所述图注意力网络的嵌入层获取所述局部图中每个节点xi的初始嵌入向量；对于第l层的节点xi，通过所述图注意力网络中的自注意力机制获取所述节点xi与其相2CN114969561A权利要求书2/3页邻节点xj之间的注意系数；通过所述通过图注意力网络的softmax层对所述注意系数进行归一化处理，得到归一化系数；将所述节点xi的邻居节点信息进行组合，并利用所述归一化系数更新所述节点xi的嵌入向量，得到新的嵌入向量。5.根据权利要求1所述的基于自监督图学习的会话推荐方法，其特征在于，所述根据所述会话集建立显示不同会话之间物品连接的全局图，从所述全局图中获取物品之间的连接信息和非连接信息生成自监督信号，并根据所述自监督信号计算自监督损失，包括：根据所述会话集中的n