基于图神经网络的会话推荐方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113946675A(43)申请公布日2022.01.18(21)申请号202111194783.8(22)申请日2021.10.14(71)申请人山东建筑大学地址250101山东省济南市历城区凤鸣路1000号山东建筑大学(72)发明人桑胜张志军袁卫华(51)Int.Cl.G06F16/335(2019.01)G06K9/62(2022.01)权利要求书1页说明书5页附图1页(54)发明名称基于图神经网络的会话推荐方法(57)摘要本发明提供了一种基于图神经网络的会话推荐方法，主要包括以下步骤：（1）利用自注意力机制捕获项目之间的依赖关系；（2）使用软注意力机制学习图中的高阶特征；（3）使用全连接层更新项目的嵌入。与现有技术相比，本发明可以利用项目之间的依赖关系来更准确地更新项目的嵌入，并且更加关注高阶特征中的有用信息而抑制不重要的信息，在基于会话的推荐任务中取得了良好的效果。CN113946675ACN113946675A权利要求书1/1页1.一种基于图神经网络的会话推荐方法，其特征在于该方法包括以下步骤：S1、读取数据集中的会话数据，构建带有边缘权重的有向会话图,S2、基于会话图，利用邻接关系和高阶关系学习项目的嵌入表示,S3、利用一个全连接层更新项目的嵌入表示,如权利要求1所述的基于图神经网络的会话推荐方法，其特征在于：所述步骤S1的具体实现步骤是：读取数据集中的会话数据，并进行数据预处理，得到训练集和测试集。2.如权利要求1所述的基于图神经网络的会话推荐方法，其特征在于：所述步骤S2的具体实现步骤是：通过相邻节点学习项的嵌入，会话图中的边被认为是一阶关系;对于有向图，可以构建边缘权重矩阵，它表示有向图的正向1阶权重矩阵和反向1阶权重矩阵的串联,当间隔一个项目构建图时，可以认为阶数为2,然后通过软注意力机制计算每阶的特征的权重。3.如权利要求1所述的基于图神经网络的会话推荐方法，其特征在于：所述步骤S3的具体实现步骤是：为了在会话图中更新嵌入时综合考虑会话中的结构信息，将各阶矩阵进行串联：然后全连接层融合高阶特征的嵌入;本发明用图注意层来学习图中项目之间的关系，并采用高阶特征注意层来调整非相邻物品之间的信息传输,特征向量在嵌入更新层中连接，以获得每个项目的嵌入，提高了会话推荐的性能。2CN113946675A说明书1/5页基于图神经网络的会话推荐方法技术领域[0001]本发明涉及一种基于图神经网络的会话推荐方法，属于推荐系统领域。背景技术[0002]当前，针对会话推荐系统的研究日益增多。基于用户的协同过滤算法不适用于基于匿名用户的会话推荐系统，基于物品的协同过滤算法仅考虑会话的最后一次点击，难以充分利用会话序列中有限的信息。基于马尔可夫链的会话推荐方法可以学习项目的相关性以预测用户下次将点击的项目，但由于马尔科夫决策过程独立组合过去的项目，难以达到较好的推荐效果。[0003]近年来，深度学习已经成功应用在计算机视觉、自然语言处理等领域，将深度学习融入到推荐系统中成为一个重要的研究方向。循环神经网络(简称RNN)在传统推荐系统方面的成功应用为会话推荐提供了新的思路。GRU4Rec模型成功将RNN应用在会话推荐系统中，达到了较好的性能。大多数针对会话推荐设计的RNN模型相对于传统的方法均有较大提升。由于注意力机制的优势，许多研究人员将其应用在推荐系统领域。NARM(NeuralAttentiveRecommendationMachine)模型将注意力机制和RNN编码器结合以捕获用户的长期兴趣，STAMP(Short‑TermAttention/MemoryPriorityModel)模型仅使用注意力机制获取用户的长期兴趣然后单独考虑用户的短期兴趣获得了较好的结果。但是NARM和STAMP的方法难以捕获项目之间的复杂过渡关系。[0004]最近，图神经网络成为深度学习方向的热门技术。SR‑GNN(Session‑basedRecommendationwithGraphNeuralNetworks)模型是图神经网络在会话推荐上的首次尝试，其将会话序列建模为图结构数据，然后学习项目之间的转换关系。但是SR‑GNN在更新项目嵌入时均只考虑图中的邻接关系，忽略了项目之间的差异性，并且未考虑不相邻项目之间的依赖关系。发明内容[0005]本发明针对现有的会话推荐方法的不足，提出了一种基于图神经网络的会话推荐方法。本发明通过自注意力机制生成项目之间的权重，并且利用软注意力机制融合会话图中的高阶特征。与现有的会话推荐方法相比，本方法不仅可以自动地学习不同项目之间的依赖关系，还可以充分的利用图中的高阶特征。[0006]本发明采用的技术方案为：[0007]一种基于图神经网络