基于图神经网络和评论相似度的会话推荐方法和系统.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CN113610610A(43)申请公布日2021.11.05(21)申请号202110993117.4(22)申请日2021.08.27(71)申请人齐鲁工业大学地址250353山东省济南市长清区大学路3501号(72)发明人鹿文鹏张骞邵珠峰王荣耀(74)专利代理机构济南信达专利事务所有限公司37100代理人孙园园(51)Int.Cl.G06Q30/06(2012.01)G06F16/335(2019.01)G06F16/9535(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书6页说明书18页附图1页(54)发明名称基于图神经网络和评论相似度的会话推荐方法和系统(57)摘要本发明公开了基于图神经网络和评论相似度的会话推荐方法和系统，根据会话中的商品序列以及评论信息，为当前会话的用户推荐目标商品。本发明将评论信息融入到图神经网络模型中，同时考虑会话中蕴含的商品间依赖关系和文本空间中商品间相似关系。本会话推荐方法主要由四个模块组成：基于评论相似度的全局图模块，根据商品的评论文档得到商品在文本空间的相似度，并依据此相似度构建基于评论的商品全局图；局部图模块，根据当前会话的商品序列，得到在会话中的商品局部图；会话生成模块，结合商品在前两个模块分别得到的商品全局图和商品局部图表示，生成最终会话表示；候选商品预测模块，根据会话表示，预测各个候选商品的得分，推荐目标商品。CN113610610ACN113610610A权利要求书1/6页1.一种基于图神经网络和评论相似度的会话推荐方法，其特征在于，该方法具体如下：构建基于评论相似度的全局图模块，根据商品的评论文档得到商品在文本空间的相似度，并依据此相似度构建基于评论的商品全局图；构建局部图模块，根据当前会话的商品序列，得到在会话中的商品局部图；构建会话生成模块，结合商品在前两个模块分别得到的商品全局图和商品局部图表示，生成最终会话表示；构建候选商品预测模块，根据会话表示，预测各个候选商品的得分，为用户推荐合适的目标商品。2.根据权利要求1所述的基于图神经网络和评论相似度的会话推荐方法，其特征在于，所述基于评论相似度的全局图模块的构建过程具体如下：区分邻居重要性：以商品的初始表示以及预处理获得的全局图信息，即邻居及其相应关联边权重，作为输入；通过全局图信息检索出商品所对应的邻居商品初始表示，对邻居商品初始表示和邻居商品对应的关联边权重进行点乘；最后送入ReLU激活函数得到邻居商品的更新表示，具体公式如下：其中，eij为商品vi与邻居商品vj之间的关联边权重；为归一化后的关联边权重；exp()是以e为底的指数函数；为商品vi在全局图中的邻居商品vj的初始表示；为全局图中邻居商品vj的更新表示；为商品vi在全局图中的邻居商品集合，商品vk属于此邻居集合与商品vi的并集；获取新权重：获得邻居商品的更新表示后，使用余弦相似度的方式计算商品与每个邻居商品的新权重；利用权重矩阵Wdim来学习商品向量中不同维度的区别；最后以加权求和的方式输出全局图中每个商品的邻居商品复合表示，具体公式如下：其中为会话中的商品vi的表示；为商品vi在全局图中的邻居商品vj的更新表示，来自于公式(2)；cosine()为余弦相似度；π(vi,vj)为商品vi与邻居商品vj之间的余弦相似度；exp()是以e为底的指数函数；为归一化后的相似度；为全局图中商品vi的邻居商品复合表示，其中与公式(1)中的定义相同；获得全局图中商品的最终表示：以会话中的本地商品的初始表示和全局图中邻居商品2CN113610610A权利要求书2/6页的复合表示为输入，利用软注意力的方式获得全局图中商品的最终表示，即全局图商品表示，具体公式如下：其中，为本地商品vi的初始表示；为可学习的权重矩阵；σ为sigmoid激活函数；为全局图中商品vi的邻居商品复合表示；ReLU为激活函数；为商品vi在基于评论相似度的全局图模块的输出，即全局图商品表示。3.根据权利要求1所述的基于图神经网络和评论相似度的会话推荐方法，其特征在于，所述局部图模块的构建过程具体如下：学习邻居权重矩阵：以会话内部的本地商品的初始表示以及局部图关联边信息为输入；首先定义四种不同的权重矩阵，以学习定义局部图中所输出的四种有向边，并利用点乘的方式得到不同邻居商品对本地商品的重要性，得到融合局部图关联边信息的邻居权重矩阵，具体公式如下：其中，为本地商品vi的初始表示；为局部图中商品vi的邻居商品vj的初始表示；⊙表示点乘；代表商品vi与商品vj之间关联边的权重向量，对应着局部图中四种不同的边，即包含ain、aout、ain‑out和aself，同理；LeakyReLU为激活