一种基于会话上下文信息的会话推荐方法

摘要

本发明涉及互联网技术领域，公开了一种基于会话上下文信息的会话推荐方法，包括以下步骤：S1、根据会话中包含的上下文信息，对关系增强会话图中的节点进行向量随机初始化操作；S2、将关系增强会话图中节点的嵌入向量送入门控图神经网络中进行训练，得到会话序列s中各节点的嵌入向量表示；S3、将长短期兴趣向量表示拼接得到最后的会话向量表示，短期兴趣表示选取会话中最后一个物品的嵌入向量，长期兴趣表示使用软注意力机制计算得到；S4、对每一个候选项的得分进行计算，并得出所有候选项的推荐概率。本发明能够利用会话上下文信息体现各物品之间的关系，对物品的重要性进行区分，生成用户的兴趣表示，为用户提供准确的推荐。

说明书

技术领域

本发明涉及互联网技术领域，尤其涉及一种基于会话上下文信息的会话推荐方法。

背景技术

随着信息技术的飞速发展，互联网已经成为人们的日常生活中不可或缺的一部分。人们通过互联网获取信息、购买商品、进行社交和娱乐活动，在享受互联网带来的生活便利的同时，信息的洪流也涌入了人们生活中的各个方面，纷繁复杂的信息加大了人们寻找的难度。因此，推荐系统在人们的生产生活中发挥着越来越重要的作用，它能够在学习、生活、购物和医疗等方面，帮助用户以个性化的方式检索符合其需求的信息资源，让用户做出更合适的选择。推荐系统能够根据输入的用户信息、物品信息以及用户和物品之间的交互，对物品库中的物品进行排序并选取合适的物品为用户推荐。传统推荐方法无法获取到匿名用户的个人信息以及长期历史行为数据，而会话推荐方法可以利用匿名用户近一段时间内的行为数据分析用户的兴趣偏好，为用户提供准确的推荐。

发明内容

鉴于此，本发明的目的在于，提供一种基于会话上下文信息的会话推荐方法，基于图神经网络和节点信息的复杂转换，解决了传统推荐方法在获取会话序列中物品间关系上下文信息利用不充分的问题。

为了达到上述发明目的，进而采取的技术方案如下：

一种基于会话上下文信息的会话推荐方法，包括以下步骤：

S1、在会话推荐中，S＝{s

S2、将关系增强会话图中节点的嵌入向量送入门控图神经网络中进行训练，得到会话序列s中各节点的嵌入向量表示；

S3、为捕捉用户的动态兴趣偏好，使用长短期兴趣结合生成会话兴趣表示，短期兴趣表示选取会话中最后一个物品的嵌入向量，长期兴趣表示使用软注意力机制计算得到。将长短期兴趣向量表示拼接得到最后的会话向量表示；

S4、对每一个候选项的得分进行计算，并得出所有候选项的推荐概率。

作为本发明的进一步改进，在步骤S1中，所述上下文信息包括物品的点击顺序和点击次数。

作为本发明的进一步改进，在步骤S1中，结合会话中包含的上下文信息，将集合中的每一条会话序列构造为关系增强会话图，对关系增强会话图中的节点进行向量随机初始化操作，具体如下：

(a)、根据会话中物品的点击顺序构造加权会话图G

其中，e(v

(b)、对加权会话图进行进一步改进，将会话序列中包含的每一次点击都记录到加权会话图中，将边的权重逐次累计，得到关系增强会话图G

E

I(e(v

式中：e(v

使用关系增强矩阵A

如果e(v

(c)、为了在一定程度上提高模型精度，并提升模型的收敛速度，对关系增强矩阵A

式中，A

e

式中，e

作为本发明的进一步改进，在步骤S2中，将关系增强会话图中节点的嵌入向量送入门控图神经网络中进行训练，具体包括以下步骤：使用门控图神经网络对会话图中节点的嵌入向量进行更新，使用连接矩阵表示会话图中节点间的关系，每一个节点既接受邻居节点传递的信息，又向邻居节点传递信息，根据自身信息并聚合它邻居节点的信息来完成信息的聚合和更新操作，更新过程如公式(9)-(13)所示；

式中：

式中：

作为本发明的进一步改进，在步骤S3中，使用长短期兴趣结合计算得到会话嵌入表示，选取会话序列中最后一个物品的嵌入向量e

s

α

s

式中：s

作为本发明的进一步改进，在步骤S4中，使用会话兴趣表示s

式中：

本发明的有益效果是：本发明提出的基于会话上下文信息的会话推荐模型，针对有向会话图中信息利用不充分的问题，设计融合会话上下文信息的关系增强会话图和对应的关系增强矩阵，通过添加了会话中物品点击顺序和点击次数的关系增强会话图来体现各物品之间的关系，对会话中对物品的重要性进行区分并进一步反映用户的点击兴趣。根据用户的动态兴趣偏好，使用长短期兴趣结合的方式来生成用户的兴趣表示，提高模型推荐准确度。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明根据会话上下文信息构造的关系增强图和对应的关系增强矩阵；

图2为本发明基于会话上下文信息的会话推荐模型的结构图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

如图1-2所示，一种基于会话上下文信息的会话推荐方法，包括以下步骤：

S1、在会话推荐中，S＝{s

S2、将关系增强会话图中节点的嵌入向量送入门控图神经网络中进行训练，得到会话序列s中各节点的嵌入向量表示；

S3、为捕捉用户的动态兴趣偏好，使用长短期兴趣结合生成会话兴趣表示，短期兴趣表示选取会话中最后一个物品的嵌入向量，长期兴趣表示使用软注意力机制计算得到。将长短期兴趣向量表示拼接得到最后的会话向量表示；

S4、对每一个候选项的得分进行计算，并得出所有候选项的推荐概率。

在步骤S1中，所述上下文信息包括物品的点击顺序和点击次数。

在步骤S1中，结合会话中包含的上下文信息，将集合中的每一条会话序列构造为关系增强会话图，对关系增强会话图中的节点进行向量随机初始化操作，具体如下：

(a)、根据会话中物品的点击顺序构造加权会话图G

其中，e(v

(b)、对加权会话图进行进一步改进，将会话序列中包含的每一次点击都记录到加权会话图中，将边的权重逐次累计，得到关系增强会话图G

E

I(e(v

式中：e(v

使用关系增强矩阵A

如果e(v

(c)、为了在一定程度上提高模型精度，并提升模型的收敛速度，对关系增强矩阵A

式中，A

e

式中，e

在步骤S2中，将关系增强会话图中节点的嵌入向量送入门控图神经网络中进行训练，具体包括以下步骤：使用门控图神经网络对会话图中节点的嵌入向量进行更新，使用连接矩阵表示会话图中节点间的关系，每一个节点既接受邻居节点传递的信息，又向邻居节点传递信息，根据自身信息并聚合它邻居节点的信息来完成信息的聚合和更新操作，更新过程如公式(9)-(13)所示；

式中：

式中：

在步骤S3中，使用长短期兴趣结合计算得到会话嵌入表示，选取会话序列中最后一个物品的嵌入向量e

s

α

s

式中：s

在步骤S4中，使用会话兴趣表示s

式中：

本发明能够利用会话上下文信息体现各物品之间的关系，对物品的重要性进行区分，生成用户的兴趣表示，为用户提供准确的推荐。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进、部件拆分或组合等，均应包含在本发明的保护范围之内。