一种会话推荐方法、系统、装置及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114691981A(43)申请公布日2022.07.01(21)申请号202210201808.0G06N3/04(2006.01)(22)申请日2022.03.02G06N3/08(2006.01)(71)申请人华南理工大学地址510641广东省广州市天河区五山路381号(72)发明人许勇孙佳宇(74)专利代理机构广州嘉权专利商标事务所有限公司44205专利代理师郑宏谋(51)Int.Cl.G06F16/9535(2019.01)G06F16/9537(2019.01)G06K9/62(2022.01)G06Q30/06(2012.01)G06F16/2458(2019.01)权利要求书2页说明书8页附图2页(54)发明名称一种会话推荐方法、系统、装置及存储介质(57)摘要本发明公开了一种会话推荐方法、系统、装置及存储介质，其中方法包括：获取会话推荐数据集并进行预处理与数据增强，将数据处理成用户行为序列的形式；把数据增强后的数据输入到Transformer网络中，分别利用邻域建模单元和内部建模单元对会话信息进行建模；将邻域会话信息和当前会话信息进行聚合，得到推荐结果。本发明利用历史购买信息作为协同信息，可以有效建模用户的消费行为，并且在给用户进行推荐时，考虑历史会话中和用户存在相同偏好的用户行为，使得推荐算法可以更有效地预测用户的真实消费意图，从而给出更加准确的推荐结果。本发明可广泛应用于人工智能、深度学习及推荐系统技术领域。CN114691981ACN114691981A权利要求书1/2页1.一种会话推荐方法，其特征在于，包括以下步骤：获取用户在电商平台的会话数据集，所述会话数据集包括物品信息、用户购买时间戳以及用户购买行为；对所述会话数据集进行数据增强；将数据增强后的会话数据集建模为序列结构，并输入到Transformer网络中，获得初步会话向量化表示数据集；将所述初步会话向量化表示数据集中的会话存储在历史会话向量化表示内存中；使用Transformer网络进行全局信息建模，使用Convolution网络进行局部信息提取，得到当前会话的向量化表示hcurrent；在所述历史会话向量化表示内存中查找相似度最高的K个邻域会话的向量化表示，再设置一个相似度阈值a，以相似度阈值为界，生成两种表示位置的向量化表示，与K个邻域会话的向量化表示通过Transformer网络进行融合，得到邻域会话向量化表示hneighbor；将当前会话向量表示hcurrent和邻域会话向量表示hneighbor通过一个融合层连接到一起，得到最终会话向量化表示；计算所述最终会话向量化表示与所述会话数据集中的所有物品计算余弦相似度，将相似度最高的物品作为推荐结果。2.根据权利要求1所述的一种会话推荐方法，其特征在于，在获得会话数据集后，还包括对所述会话数据集进行预处理的步骤，包括：根据时间戳对会话数据进行排序，得到按时间排序的会话序列，去除只有一次点击的会话，以及删除出现频率过低的点击项；其中，会话数据的每一项包括了商品的序号item_id和商品被点击的时间戳time_stamp。3.根据权利要求2所述的一种会话推荐方法，其特征在于，所述根据时间戳对会话数据进行排序，得到按时间排序的会话序列，包括：从会话数据集中获取共N个会话数据，用s表示会话，v表示被点击的商品项，将该会话中的所有商品项v按商品被点击的时间戳time_stamp进行排序，则一个会话序列可以表示为s＝<v1,v2,v3…vc>，其中v的下标c用来区分商品点击的先后顺序。4.根据权利要求1所述的一种会话推荐方法，其特征在于，所述将数据增强后的会话数据集建模为序列结构，并输入到Transformer网络中，获得初步会话向量化表示数据集，包括：把数据增强后的点击数据集建模为序列结构，输入到Transformer模型中，经过训练后，得到会话序列中每一个商品的向量化表示；所述会话序列中每一个节点的向量化表示，代表一个商品在综合了序列中其他商品特征后的向量表示X＝<x1,x2,x3…xn>；将所述会话序列中所有商品节点的向量化表示，取平均得到每一个会话的向量化表示，对于会话s＝<v1,v2,v3…vn>，其中n为会话s包含的商品个数，其初步会话向量化表示为：X＝{x1,x2,…,xn}。5.根据权利要求1所述的一种会话推荐方法，其特征在于，所述将所述初步会话向量化表示数据集中的会话存储在历史会话向量化表示内存中，包括：将所述初步会话向量化表示数据集中的用户消费行为的会话向量化表示存储起来，该2CN114691981A权利要求书2/2页集合记为M，用作后续的领域信息查找，其中p表示用户购买会话数据集中的会话个数，t表示会话长度，表示在第i