CN111222054B - 一种基于上下文邻居关系建模的会话社交推荐方法 - Google Patents

Abstract

本发明公开了一种基于上下文邻居关系建模的会话社交推荐方法。该方法基于给定目标用户的历史交互数据和社交网络信息，找出目标用户最可能交互的下一个物品。本方法首先对用户兴趣进行建模，然后采用会话层次的注意力机制去获得对应目标用户的社交网络中每个朋友的表征。再利用社交网络，学习朋友对用户的社交影响。最后结合朋友对目标用户的社交影响和目标用户兴趣进行物品的推荐。本方法克服了现有方法中的弊端：忽视目标用户和朋友之间的兴趣只有部分重合。因此本发明方法实施的推荐效果比现有方法有了显著的提升。

Description

一种基于上下文邻居关系建模的会话社交推荐方法

技术领域

本发明属于互联网服务技术领域，具体涉及一种基于上下文邻居关系建模的会话社交推荐方法。

背景技术

很多在线平台，例如Yelp、Epinions等，允许用户在平台上分享自己的兴趣和经历，以及和其他用户进行互动。很多社交推荐方法在推荐物品的时候，将社交影响考虑进来，可以降低数据的稀疏度。将用户交互行为数据和用户的社交网络进行互补地结合，提高个性化推荐方法准确度是本发明的出发点。

大多数社交推荐方法采用矩阵分解模型，将用户的社交网络和用户的交互网络结合起来建模。近几年，随着图卷积网络(GCN)的发展，有些学者开始使用图卷积网络来学习朋友对目标用户的社交影响。Hamilton等人提出的GraphSAGE框架属于一种图卷积网络方法，它不需要输入整个用户的社交网络矩阵，极大地降低了模型的内存使用量和计算复杂度。

但是这些方法的共同点是对不同的目标用户，同一朋友的向量表征保持不变，没有考虑到目标用户和朋友之间的兴趣只有部分重合。本发明认为用户的兴趣是多样且多变的，针对不同目标用户的同一个朋友，应该关注该朋友最相近的兴趣点。社交网络中朋友的向量表征不是静态不变的，针对不同的目标用户，朋友的向量表征会随之变化。本发明采用注意力机制和图卷积网络共同实现该功能。

发明内容

基于上述，本发明提供了一种基于上下文邻居关系建模的会话社交推荐方法。对目标用户当前兴趣进行建模。再根据目标用户当前兴趣向量表征以及朋友历史会话序列，得到朋友中和目标用户最匹配的那部分兴趣。之后，利用社交网络，结合目标用户兴趣向量表征和朋友的向量表征来计算社交影响。最后结合社交影响和用户兴趣进行物品推荐。

一种基于上下文邻居关系建模的会话社交推荐方法，包括如下步骤：

构建目标用户u_i的社交网络G，令：

G＝{U,E}

其中，U表示社交网络中目标用户u_i的朋友集合，E是目标用户的社交连接。

构建用户会话向量表征，包括目标用户u_i和他的朋友们N(i)。目标用户u_i的某一会话

的向量表征

为：

其中，Q是物品的向量矩阵，Q(:,s_i)代表出现在会话s_i中所有的物品向量。长短期记忆网络LSTM是一种循环神经网络方法(RNN)，是标准的序列建模工具。长短期记忆网络LSTM可以按序地输入会话s_i，并输出当前序列向量表征。

对于目标用户在时间t的当前会话

他的第l个朋友最近的会话序列为

其中任一会话

表征方法和目标用户u_i的会话表征方法一致，采用LSTM方法，且共享同样的参数。

根据用户当前会话序列，构建用户兴趣模型。采用目标用户u_i当前会话表征来表示用户的兴趣,令：

其中，

为用户当前会话

的向量表征。

根据社交网络G，获得用户的朋友表征f_(i,l)。该模块的输入是一对用户和朋友(u_i,u_(i,l))，u_i是目标用户，u_(i,l)是目标用户的第l个朋友，输出是朋友的向量表征f_(i,l)，代表了用户u_i和朋友u_(i,l)之间的联系，也是朋友u_(i,l)的向量表征，令：

其中，函数g代表一个非线性转化，

为用户当前会话，

为目标用户的第l个朋友最近的会话序列

函数g使用注意力机制来实现，具体为：

其中，p_i为目标用户u_i的兴趣表征，

为目标用户的第l个朋友的第j个会话

表征，参数

和参数

控制每个会话向量的权重，d代表会话向量的维度。采用注意力机制可以更专注于朋友中和目标用户相近的兴趣。

根据社交网络G，计算朋友对目标用户的社交影响。将目标用户u_i的朋友N(i)的兴趣传递给目标用户u_i，令：

其中，k代表社交网络G的搜索深度，是N(i)是目标用户u_i的朋友集合，

代表节点u_i在k层的向量表征，

为向量p_i，

为向量f_(i,l)。非线性函数g实现节点的信息传递，令函数g为：

其中，W^k是图参数，σ为sigmoid函数，AGGREGATE_k函数采用的是最大池化(max-pooling)方法：

其中，max代表元素级别的max操作，可以有效捕捉邻居的各个维度属性。

社交网络G在进行信息传递的时候，可以根据用户和邻居节点的相似度来调整用户节点。因为参数α_(i,j)除了可以关注邻居节点历史会话中和目标用户最相似的兴趣部分，还可以表示目标用户和邻居节点的相似程度。

结合用户自身兴趣和社交影响，获得用户最终向量表征。用户的兴趣由他当前会话行为和社交影响共同决定，用户的最终表示就由全连接层合并两者得到，令：

g_i＝W₃·[p_i⊕h_i]

其中，W₃是线性转化矩阵，p_i为用户u_i行为表现出的兴趣，h_i是用户u_i的社交影响，⊕为向量拼接操作。根据用户最终向量表征和物品向量表征，推荐物品。将物品v_j的向量q_j乘以用户兴趣向量，再应用softmax函数计算出物品v_j的分数：

其中，g代表用户的兴趣向量，

代表物品v_j成为下一个交互的可能性。同时根据

的对数似然函数值，计算损失函数：

其中，y_j代表v_j的one-hot编码，

函数用梯度下降法来最优化。

为了验证本发明在社交会话推荐中的技术效果，本发明采用公开的Delicious数据，观察指标Recall@20和NDCG，发现效果较最新的序列推荐方法有了显著的提升。本发明的有益技术效果如下：

(1)本发明针对不同的目标用户，对朋友进行动态地向量表征，得到朋友中和目标用户最匹配的那部分兴趣。

(2)本发明同时根据用户和邻居节点的相似度来调整用户节点，兴趣相近的朋友对目标用户有更大的影响力。

附图说明

图1为本发明方法的流程示意图；

图2为本发明方法的模型框架图；

图3位本发明方法的用户兴趣关系示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

首先，需要对用到的变量和公式给出相关定义。

定义1.U：用户的集合，且U＝{u₁,u₂,…,u_n}。

定义2.V：物品集合，且V＝{v₁,v₂,…,v_m}。

定义3.G：关于用户和用户关系的社交网络。

定义4.N(i)：社交网络G中用户u_i的邻居集合。

定义5.

用户u_i在时间t的会话，会话是一个时间段里的物品集合

定义6.S(i)：用户u_i在所有时间的会话集合，

定义7.q_j：物品v_j的向量表征。

定义8.p_i：从用户行为得到的用户u_i的兴趣向量表征。

定义9.f_(i,l)：用户u_i第l个朋友的向量表征。

定义10.h_i：用户u_i的朋友们对用户u_i的社交影响。

定义11.g_i：用户u_i的总的兴趣向量表征，通过综合考虑p_i和h_i得到。

结合以上变量定义，我们将最终的问题定义为：给定用户u_i当前会话

和社交网络关系，会话社交推荐方法对用户的当前兴趣和社交影响进行建模，来推荐用户u_i在下一步最可能感兴趣的物品，物品是集合V的子集。

为此，本发明提出了一种新颖的基于上下文邻居关系建模的会话社交推荐方法。模型如图2所示，模型主要由四个模块组成。第一个模块是对目标用户当前兴趣进行建模。第二个模块是根据目标用户当前兴趣向量表征以及朋友历史会话序列，得到朋友中和目标用户最匹配的那部分兴趣。第三个模块利用社交网络，结合目标用户兴趣向量表征和朋友的向量表征来计算社交影响。模块二和模块三是我们模型和贡献的关键部分。最后一个模块中，结合社交影响和用户兴趣进行物品推荐。

如图1所示，本发明的一个实施例包括如下步骤：

S100，构建目标用户u_i的社交网络G，令：

G＝{U,E}

其中，U表示社交网络中目标用户u_i的朋友集合，E是目标用户的社交连接。

S200，构建用户会话向量表征，包括目标用户u_i和他的朋友们N(i)。目标用户u_i的某一会话

的向量表征

为：

其中，Q是物品的向量矩阵，Q(:,s_i)代表出现在会话s_i中所有的物品向量。长短期记忆网络LSTM是一种循环神经网络方法(RNN)，是标准的序列建模工具。长短期记忆网络LSTM可以按序地输入会话s_i，并输出当前序列向量表征。

对于目标用户在时间t的当前会话

他的第l个朋友最近的会话序列为

其中任一会话

表征方法和目标用户u_i的会话表征方法一致，采用长短期记忆网络LSTM方法，且共享同样的参数。

S300，根据用户当前会话序列，构建用户兴趣模型。采用目标用户u_i当前会话表征来表示用户的兴趣,令：

其中，

为用户当前会话

的向量表征。

采用用户当前会话表征来表示用户的兴趣可以及时地捕捉到目标用户动态变化的兴趣。尤其是在线购物平台，用户在某一会话中会有一个特定的购物目标。在另一个新的会话中，又会有新的购物需求。

S400，根据社交网络G，获得用户的朋友表征f_(i,l)。该模块的输入是一对用户和朋友(u_i,u_(i,l))，u_i是目标用户，u_(i,l)是目标用户的第l个朋友，输出是朋友的向量表征f_(i,l)，代表了用户u_i和朋友u_(i,l)之间的联系，也是朋友u_(i,l)对应于用户u_i的向量表征，令：

其中，函数g代表一个非线性转化，

为用户当前会话，

为目标用户的第l个朋友最近的会话序列

函数g使用注意力机制来实现，具体为：

其中，p_i为目标用户u_i的兴趣表征，

为目标用户的第l个朋友的第j个会话

表征，参数

和参数

控制每个会话向量的权重，d代表会话向量的维度。

本发明采用注意力机制可以更专注于朋友中和目标用户相近的兴趣。图3中，用户C是用户A和用户B的共同好友，但是他们的共同兴趣却不同。用户A和用户C都喜欢食物和运动，而用户B和用户C喜欢音乐和运动。在当前时间t下，目标用户A应该最关注朋友C的时间t-2下的会话，而目标用户B应该最关注朋友C的时间t-1下的会话。因此，本方法采用根据不同的目标用户，动态表征朋友的向量的做法是合理的。这和以往研究中固定采用朋友最近一个会话来表示朋友兴趣的方法不同，是本发明的创新之处。

S500，根据社交网络G，计算朋友对目标用户的社交影响。将目标用户u_i的朋友N(i)的兴趣传递给目标用户u_i，令：

其中，k代表社交网络G的搜索深度，是N(i)是目标用户u_i的朋友集合，

代表节点u_i在k层的向量表征，

为向量p_i，

为向量f_(i,l)。非线性函数g实现节点的信息传递，令函数g为：

其中，W^k是图参数，σ为sigmoid函数，AGGREGATE_k函数采用的是最大池化(max-pooling)方法

其中，max代表元素级别的max操作，可以有效捕捉邻居的各个维度属性。

本发明在这一步骤中并未加入注意力机制来根据用户和邻居节点的相似度来调整用户节点。是因为S400中的参数α_(i,j)除了可以关注邻居节点历史会话中和目标用户最相似的兴趣部分，还可以表示目标用户和邻居节点的相似程度。所以社交网络信息传递部分，不需要使用注意力机制，这也是本发明的新颖之处。

S600，结合用户自身兴趣和社交影响，获得用户最终向量表征。用户的兴趣由他当前会话行为和社交影响共同决定，用户的最终表示就由全连接层合并两者得到，令：

g_i＝W₃·[p_i⊕h_i]

其中，W₃是线性转化矩阵，p_i为用户u_i行为表现出的兴趣，h_i是用户u_i的社交影响，⊕为向量拼接操作。

S700，根据用户最终向量表征和物品向量表征，推荐物品。将物品v_j的向量q_j乘以用户兴趣向量，再应用softmax函数计算出物品v_j的分数：

其中，g代表用户的兴趣向量，

代表物品v_j成为下一个交互的可能性。同时根据

的对数似然函数值，计算损失函数：

其中，y_j代表v_j的one-hot编码，

函数用梯度下降法来最优化。

上述对实施例的描述是为方便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (3)

1.一种基于上下文邻居关系建模的会话社交推荐方法，其特征在于：

构建目标用户u_i的社交网络G，令：

G＝{U,E}

其中，U表示社交网络中目标用户u_i的朋友集合，E是目标用户的社交连接；

构建用户会话向量表征，包括目标用户u_i和他的朋友们N(i)；目标用户u_i的某一会话

的向量表征

为：

其中，Q是物品的向量矩阵，Q(:,s_i)代表出现在会话s_i中所有的物品向量；长短期记忆网络LSTM是一种循环神经网络方法(RNN)，是标准的序列建模工具；长短期记忆网络LSTM可以按序地输入会话s_i，并输出当前序列向量表征；

对于目标用户在时间t的当前会话

他的第l个朋友最近的会话序列为

其中任一会话

表征方法和目标用户u_i的会话表征方法一致，且共享同样的参数；

根据用户当前会话序列，构建用户兴趣模型；采用目标用户u_i当前会话表征来表示用户的兴趣,令：

其中，

为用户当前会话

的向量表征；

根据社交网络G，获得用户的朋友表征f_(i,A)；通过输入用户和朋友(u_i,u_(i,A))信息，u_i是目标用户，u_(i,A)是目标用户的第l个朋友，来计算朋友的向量表征f_(i,l)，f_(i,l)代表了用户u_i和朋友u_(i,l)之间的联系，也是朋友u_(i,l)相对于用户u_i的向量表征，令：

其中，函数g代表一个非线性转化，

为用户当前会话，

为目标用户的第l个朋友最近的会话序列

函数g使用注意力机制来实现，具体为：

其中，p_i为目标用户u_i的兴趣表征，

为目标用户的第l个朋友的第j个会话

表征，参数

和参数

控制每个会话向量的权重，d代表会话向量的维度；

根据社交网络G，计算朋友对目标用户的社交影响；将目标用户u_i的朋友N(i)的兴趣传递给目标用户u_i，令：

其中，k代表社交网络G的搜索深度，是N(i)是目标用户u_i的朋友集合，

代表节点u_i在k层的向量表征，

为向量p_i，

为向量f_(i,l)，非线性函数g实现节点的信息传递；

结合用户自身兴趣和社交影响，获得用户最终向量表征，令：

其中，W₃是线性转化矩阵，p_i为用户u_i行为表现出的兴趣，h_i是用户u_i的社交影响，

为向量拼接操作；根据用户最终向量表征和物品向量表征，推荐物品；将物品v_j的向量q_j乘以用户兴趣向量，再应用softmax函数计算出物品v_j的分数：

其中，g代表用户的兴趣向量，

代表物品v_j成为下一个交互的可能性；同时根据

的对数似然函数值，计算损失函数：

其中，y_j代表v_j的one-hot编码，

函数用梯度下降法来最优化。

2.根据权利要求1所述的一种基于上下文邻居关系建模的会话社交推荐方法，其中，所述实现节点的信息传递的非线性函数g为：

其中，W^k是图参数，σ为sigmoid函数。

3.根据权利要求2所述的一种基于上下文邻居关系建模的会话社交推荐方法，其中，所述AGGREGATE_k函数采用的是最大池化(max-pooling)方法：

其中，max代表元素级别的max操作，可以有效捕捉邻居的各个维度属性。

Images