CN111460331B - 一种基于时空图的会话推荐方法 - Google Patents

一种基于时空图的会话推荐方法 Download PDF

Info

Publication number
CN111460331B
CN111460331B CN202010264285.5A CN202010264285A CN111460331B CN 111460331 B CN111460331 B CN 111460331B CN 202010264285 A CN202010264285 A CN 202010264285A CN 111460331 B CN111460331 B CN 111460331B
Authority
CN
China
Prior art keywords
user
space
item
vector
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010264285.5A
Other languages
English (en)
Other versions
CN111460331A (zh
Inventor
顾盼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Zhiduo Network Technology Co ltd
Original Assignee
China Jiliang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Jiliang University filed Critical China Jiliang University
Priority to CN202010264285.5A priority Critical patent/CN111460331B/zh
Publication of CN111460331A publication Critical patent/CN111460331A/zh
Application granted granted Critical
Publication of CN111460331B publication Critical patent/CN111460331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9537Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/049Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于时空图的会话推荐方法。该方法基于给定目标用户的交互数据,找出目标用户最可能交互的下一个物品。本方法首先根据用户当前会话以及物品的有向图网络构建时空图,通过平行循环神经网络结构对时空图进行建模,得到用户的短期兴趣。然后用长短记忆网络对用户的最近会话进行向量表征,并采用注意力机制学习用户最近会话中对当前短期兴趣影响较大的长期兴趣。最后,结合用户的短期兴趣和长期兴趣进行物品的推荐。

Description

一种基于时空图的会话推荐方法
技术领域
本发明属于互联网服务技术领域,具体涉及一种基于时空图的会话推荐方法。
背景技术
随着网络信息时代的发展,推荐系统被广泛地应用于工业界。推荐系统可以基于用户的历史交互行为,预测用户下一步最有可能消费的物品。传统的推荐方法,包括基于内容的推荐方法和协同过滤推荐方法,采用基于计算物品的相似度的思路,来推荐用户感兴趣的物品。但是这些方法忽视了用户兴趣的动态变化性。例如,在电商推荐场景中,用户的兴趣多样且多变,在每个会话中用户往往有一个或多个固定的兴趣。因此,基于当前会话的推荐方法,可以更为准确地捕捉到用户当前兴趣。
通过考虑用户最近会话中的交互行为,基于会话的推荐方法可以更加有效地进行推荐。其中,会话是一个时间段内用户的交互行为。近几年,基于会话的推荐方法主要采用循环神经网络(RNN)或者基于循环神经网络(RNN)的优化方法,来学习会话中的物品序列信息以及物品对用户当前兴趣的影响程度。这种方法只考虑到当前会话中物品的转移信息,却忽略了更复杂的物品空间结构信息。为了优化循环神经网络方法,研究者提出采用图网络(GNN)来学习物品向量表征,并作为循环神经网络方法的输入。但是该方法将物品的空间结构和当前会话中物品的序列结构分割开,当成独立的两部分,忽略了两者的联系。
为了解决这些问题,本发明采用时空图(spatial-temporal graph)来构建物品之间的关系。近几年,时空图被应用在打车需求预测、以及人类行为识别等领域。本发明第一个将时空图应用在会话预测领域,将物品的空间结构和时间序列结构组合构建为一个时空图整体,并从中提取出用户兴趣,进行物品推荐。
发明内容
基于上述,本发明提供了一种基于时空图的会话推荐方法。根据目标用户当前会话构建时空图,对用户短期兴趣进行建模。再采用注意力机制对用户长期兴趣进行建模。最后结合用户短期和长期兴趣,进行物品推荐。
一种基于时空图的会话推荐方法,包括如下步骤:
基于所有用户会话序列,构建不同时间下的物品图网络G={G1,G2,G3,...,Gt},并离线存储所有时间t下每个节点在图网络Gt中的邻居节点Bt(j),令有向图Gt为:
Gt=(Vt,Et)
其中,Vt表示平台中在时间t之前物品的集合,Et表示在时间t之前物品和物品之间的转移关系。
根据用户当前会话,构建时空图G3T,令:
Figure BDA0002440646850000011
其中,
Figure BDA0002440646850000012
为目标用户ui在当前时间t的会话列表,
Figure BDA0002440646850000013
为时间(temporal)序列信息,节点
Figure BDA0002440646850000014
在当前物品图Gt的邻域是空间(spatial)结构信息,邻域的深度由搜索深度参数k来控制。将时间序列信息和空间信息结合起来,共同构成时空图G3T
根据用户当前会话的时空图,建立用户短期兴趣
Figure BDA0002440646850000015
it=σ(Wixt+Uiht-1+bi)
ft=σ(Wfxt+Ufht-1+bf)
ot=σ(Woxt+Uoht-1+bo)
ct=ittanh(Wcxt+Ucht-1+bc)+ftct-1
Figure BDA0002440646850000016
Figure BDA0002440646850000017
Figure BDA0002440646850000018
Figure BDA0002440646850000019
Figure BDA00024406468500000110
其中,最后一层隐藏状态ht的输出就是用户的短期兴趣
Figure BDA0002440646850000021
该结构采用了平行的循环神经网络结构,xt是当前层的节点输入,Wi、Ui、Wf、Uf、Wo和Uo分别是控制输入门it、遗忘门ft和输出门ot的参数。同理
Figure BDA0002440646850000022
Figure BDA0002440646850000023
Figure BDA0002440646850000024
分别是控制平行的输入门
Figure BDA0002440646850000025
遗忘门
Figure BDA0002440646850000026
和输出门
Figure BDA0002440646850000027
的参数。σ为sigmoid函数。所有这些参数和输入:隐层状态ht-1、当前输入xt以及节点xt的的空间信息gt共同参与计算,来输出结果ht。空间信息gt的计算方法采用采样-聚合策略(sampling-aggregation strategy):
Figure BDA0002440646850000028
Figure BDA0002440646850000029
其中,Wk是图参数,σ为sigmoid函数。k代表在图网络G中的搜索深度,
Figure BDA00024406468500000210
代表节点vj在k层的向量表征,最后一层的节点向量表征也就是空间信息g。B(j)为空间图网络G中当前时间下物品vj的邻居集合。AGGREGATEk函数采用的是最大池化(max-pooling)方法:
Figure BDA00024406468500000211
其中,max代表元素级别的max操作,可以有效捕捉邻居的各个方面属性。
根据会话中物品序列,获得用户会话表征。目标用户ui的某一会话
Figure BDA00024406468500000212
的向量表征
Figure BDA00024406468500000213
为:
Figure BDA00024406468500000214
其中,Q是物品的向量矩阵,由模型学习而得,Q(:,si)代表出现在会话si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。
根据用户最近会话表征序列,建立用户长期兴趣
Figure BDA00024406468500000215
令:
Figure BDA00024406468500000216
其中,函数f代表一个非线性转化,
Figure BDA00024406468500000217
为从时空图得到的用户短期兴趣,S(i)为用户ui最近的会话列表。函数f使用注意力机制来实现,具体为:
Figure BDA00024406468500000218
Figure BDA00024406468500000219
其中,
Figure BDA00024406468500000220
为目标用户ui的当前兴趣表征,
Figure BDA00024406468500000221
为目标用户ui的第j个会话
Figure BDA00024406468500000222
表征,参数
Figure BDA00024406468500000223
和参数W1,
Figure BDA00024406468500000224
Figure BDA00024406468500000225
控制每个会话向量的权重,d代表会话向量的维度。
合并用户短期和长期兴趣,获得用户ui最终兴趣gi
Figure BDA00024406468500000226
其中,
Figure BDA00024406468500000227
Figure BDA00024406468500000228
分别为用户ui的短期和长期兴趣,
Figure BDA00024406468500000229
为向量拼接操作,W是线性转化矩阵。
根据用户最终兴趣和物品向量表征,推荐物品。将物品vj的向量qj乘以用户兴趣向量,再应用softmax函数计算出物品vj的分数:
Figure BDA00024406468500000230
其中,g代表用户的兴趣向量,
Figure BDA00024406468500000231
代表物品vj成为下一个交互物品的可能性。同时根据
Figure BDA00024406468500000232
的对数似然函数值,计算损失函数:
Figure BDA00024406468500000233
其中,yj代表vj的one-hot编码,
Figure BDA00024406468500000234
函数用梯度下降法来最优化。
在本发明的技术方案中,同时考虑到用户的短期兴趣和长期兴趣,并将两种兴趣联系起来。本发明的有益技术效果如下:
(1)本发明第一个将用户会话序列构建成时空图,有效地将用户的物品交互序列和物品空间结构结合起来,更加准确地捕捉用户当前兴趣。
(2)本发明采用平行的循环神经网络结构对时空图进行图表征,高效地同时对时间和空间信息进行表征。
(3)本发明同时根据用户当前兴趣和用户最近会话列表,采用注意力机制对用户的长期兴趣进行建模,极大地提高了会话推荐的准确度。
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为本发明方法的用户兴趣示意图。
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。统一采用i表示用户,j表示物品。
定义1.U:用户的集合,且U={u1,u2,…,un}。
定义2.V:物品集合,且V={v1,v2,…,vm}。
定义3.
Figure BDA0002440646850000031
用户ui在时间t的会话,会话是一个时间段里的物品集合
Figure BDA0002440646850000032
定义4.S(i):用户ui的最近会话集合,
Figure BDA0002440646850000033
定义5.Bt(j):物品图网络中物品vj的在时间t的邻居集合。
定义6.G3T:基于用户ui的当前会话,构造出的时空图。
定义7.qj:物品vj的向量表征。
定义8.
Figure BDA0002440646850000034
用户ui的短期兴趣向量表征。
定义9.
Figure BDA0002440646850000035
用户ui的长期兴趣向量表征。
定义10.gi:用户ui的总的兴趣向量表征,通过综合考虑
Figure BDA0002440646850000036
Figure BDA0002440646850000037
得到。
结合以上变量定义,将最终的问题定义为:给定用户ui当前会话
Figure BDA0002440646850000038
和用户最近会话集合S(i),会话推荐方法对用户的当前短期兴趣和用户长期兴趣进行建模,来推荐用户ui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时空图的会话推荐方法。模型如图2所示,模型主要由三个模块组成。第一个模块是根据目标用户当前会话序列构建时空图,从而对用户的短期兴趣进行建模。第二个模块是对用户的长期兴趣进行建模,长期兴趣模块通过注意力机制来学习用户最近会话中和当前会话接近的兴趣。最后一个模块中,本发明结合用户的长期兴趣和短期兴趣对目标用户进行物品推荐。
如图1所示,本发明的一个实施例包括如下步骤:
S100,基于所有用户会话序列,构建不同时间下的物品图网络G={G1,G2,G3,...,Gt},令:
s={v1,v2,…,vm}
Gt=(Vt,Et)
其中,v表示会话中的物品,m表示某一会话序列中物品的数量,Vt表示平台中在时间t之前物品的集合,Et表示在时间t之前物品和物品之间的转移关系,Gt是有向图。
为了捕捉到物品和物品之间的复杂转移关系,本实施例采用一种新颖的方式来从所有会话序列中构建物品图网络Gt。给定一个会话s={v1,v2,…,vm},物品vj为图Gt的节点,(vj-1,vj)为图网络Gt的边,表示一个用户消费物品vj-1之后消费物品vj。且图的边数值属性为边(vj-1,vj)出现的次数。为了降低在线计算复杂度,本发明使用采样-聚合的图算法。在更新节点vj向量时,不需要将整个图考虑进去,而是融合和节点vj最相关的邻居集合B(j)。其中,B(j)的个数设定为固定值k,保留出现次数最多的边。因此只需要离线存储所有时间t下每个节点在图网络Gt中的邻居节点Bt(j)。相比只针对当前会话构建会话图(sessiongraph)的方法,本实施例可以考虑到更复杂的节点空间转移关系。
S200,根据用户当前会话,构建时空图G3T,令:
Figure BDA0002440646850000039
其中,
Figure BDA00024406468500000310
为目标用户ui在当前时间t的会话列表,
Figure BDA00024406468500000311
为时间(temporal)序列信息,任一节点
Figure BDA00024406468500000312
在当前物品图Gt的邻域是空间(spatial)结构信息,邻域的深度由搜索深度参数k来控制。将时间序列信息和空间信息结合起来,共同构成时空图G3T。如图2中的时空图模块(spatial-temporal graph),目标用户ui当前会话为{v3,v1,...,v2},且当前时间下节点v3搜索深度为1的邻域是{v5,v2,v7},表示用户消费物品v5或v2或v7后,有较大可能消费v3。时空图G3T是本发明的创新之处,本发明第一个将时空图应用到会话推荐中。将物品的空间结构关系和会话时间序列关系当成一个整体来计算,可以更有效地表示用户兴趣和更新物品表征。
S300,根据用户当前会话的时空图,建立用户短期兴趣
Figure BDA0002440646850000041
it=σ(Wixt+Uiht-1+bi)
ft=σ(Wfxt+Ufht-1+bf)
ot=σ(Woxt+Uoht-1+bo)
ct=ittanh(Wcxt+Ucht-1+bc)+ftct-1
Figure BDA0002440646850000042
Figure BDA0002440646850000043
Figure BDA0002440646850000044
Figure BDA0002440646850000045
Figure BDA0002440646850000046
其中,最后一层隐藏状态ht的输出就是用户的短期兴趣
Figure BDA0002440646850000047
该结构采用了平行的循环神经网络结构,xt是当前层的节点输入,Wi、Ui、Wf、Uf、Wo和Uo分别是控制输入门it、遗忘门ft和输出门ot的参数。同理,
Figure BDA0002440646850000048
Figure BDA0002440646850000049
分别是控制平行的输入门
Figure BDA00024406468500000410
遗忘门
Figure BDA00024406468500000411
和输出门
Figure BDA00024406468500000412
的参数。σ为sigmoid函数。所有这些参数和输入:隐层状态ht-1、当前输入xt以及节点xt的的空间信息gt共同参与计算,来输出ht。空间信息gt的计算方法采用采样-聚合策略(sampling-aggregation strategy):
Figure BDA00024406468500000413
Figure BDA00024406468500000414
其中,wk是图参数,σ为sigmoid函数。k代表在图网络G中的搜索深度,
Figure BDA00024406468500000415
代表节点vj在k层的向量表征,最后一层的节点向量表征也就是空间信息g,本实施例中k设置为1。B(j)为空间图网络G中当前时间下物品vj的邻居集合。AGGREGATEk函数采用的是最大池化(max-pooling)方法:
Figure BDA00024406468500000416
其中,max代表元素级别的max操作,可以有效捕捉邻居的各个方面属性。
S400,根据会话中物品序列,获得用户会话表征。目标用户ui的某一会话
Figure BDA00024406468500000417
的向量表征
Figure BDA00024406468500000418
为:
Figure BDA00024406468500000419
其中,Q是物品的向量矩阵,由模型学习而得,Q(:,si)代表出现在会话si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si,并输出当前序列向量表征。
S500,根据用户最近会话表征序列,建立用户长期兴趣
Figure BDA00024406468500000420
本发明采用注意力机制学习用户的长期兴趣对当前会话的影响,令:
Figure BDA00024406468500000421
其中,函数f代表一个非线性转化,
Figure BDA00024406468500000422
为从时空图得到的用户短期兴趣,S(i)为用户ui最近的会话列表。函数f使用注意力机制来实现,具体为:
Figure BDA00024406468500000423
Figure BDA00024406468500000424
其中,
Figure BDA00024406468500000425
为目标用户ui的当前兴趣表征,
Figure BDA00024406468500000426
为目标用户ui的第j个会话
Figure BDA00024406468500000427
表征,参数
Figure BDA00024406468500000428
和参数W1,
Figure BDA00024406468500000429
Figure BDA00024406468500000430
控制每个会话向量的权重,d代表会话向量的维度。
如图3,用户的兴趣是多样且多变的。在会话st下,用户A当前的兴趣是音乐,最近会话中最应该关注会话st-2。而对于用户B,本实施例更关注用户最近会话st-3和st-1。同理,对于用户C,本实施例更关注用户长期兴趣中的食物兴趣。注意力机制可以更专注于最近会话中和当前短期兴趣最相近的兴趣。
S600,合并用户短期和长期兴趣,获得用户ui最终兴趣gi。单单采用用户当前的会话来表示用户的兴趣的方法非常不可靠,因为用户偶尔会点击一个错误的商品。所以我们同时考虑用户的短期兴趣和用户的长期兴趣,长期兴趣综合考虑了用户的最近会话列表,可以对错误行为造成的误差进行修正,并降低数据稀疏性。
Figure BDA0002440646850000051
其中,
Figure BDA0002440646850000052
Figure BDA0002440646850000053
分别为用户ui的短期和长期兴趣,
Figure BDA0002440646850000054
为向量拼接操作,W是线性转化矩阵。
S700,根据用户最终兴趣和物品向量表征,推荐物品。将物品vj的向量qj乘以用户兴趣向量,再应用softmax函数计算出物品vj的分数:
Figure BDA0002440646850000055
其中,g代表用户的兴趣向量,
Figure BDA0002440646850000056
代表物品vj成为下一个交互物品的可能性。同时根据
Figure BDA0002440646850000057
的对数似然函数值,计算损失函数:
Figure BDA0002440646850000058
其中,yj代表vj的one-hot编码,
Figure BDA0002440646850000059
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)

1.一种基于时空图的会话推荐方法,其特征在于:
基于所有用户会话序列,构建不同时间下的物品图网络G={G1,G2,G3,...,Gt},并离线存储所有时间t下在图网络Gt中每个节点的邻居节点Bt(j),令:
Gt=(Vt,Et)
其中,Vt表示平台中在时间t之前物品的集合,Et表示在时间t之前物品和物品之间的转移关系,Gt是有向图;
根据用户当前会话,构建时空图GST,令:
Figure FDA0002751204120000011
其中,
Figure FDA0002751204120000012
为目标用户ui在当前时间t的会话列表,
Figure FDA0002751204120000013
为时间序列信息,节点
Figure FDA0002751204120000014
在当前物品图Gt的邻域是空间结构信息,将时间序列信息和空间信息结合起来,共同构成时空图GST
根据用户当前会话的时空图,建立用户短期兴趣
Figure FDA0002751204120000015
it=σ(Wixt+Uiht-1+bi)
ft=σ(Wfxt+Ufht-1+bf)
ot=σ(Woxt+Uoht-1+bo)
ct=ittanh(Wcxt+Ucht-1+bc)+ftct-1
Figure FDA0002751204120000016
Figure FDA0002751204120000017
Figure FDA0002751204120000018
Figure FDA0002751204120000019
Figure FDA00027512041200000110
其中,最后一层隐藏状态ht的输出就是用户的短期兴趣
Figure FDA00027512041200000111
该结构采用了平行的循环神经网络结构,xt是当前层的节点输入,Wi、Ui、Wf、Uf、Wo和Uo分别是控制输入门it、遗忘门ft和输出门ot的参数;同理,Wi *
Figure FDA00027512041200000112
Figure FDA00027512041200000113
分别是控制平行的输入门
Figure FDA00027512041200000114
遗忘门
Figure FDA00027512041200000115
和输出门
Figure FDA00027512041200000116
的参数;σ为sigmoid函数;所有这些参数和输入:隐层状态ht-1、当前输入xt以及节点xt的空间信息gt共同参与计算,来输出结果ht;根据会话中物品序列,获得用户会话表征;目标用户ui的某一会话
Figure FDA00027512041200000117
的向量表征
Figure FDA00027512041200000118
为:
Figure FDA00027512041200000119
其中,Q是物品的向量矩阵,由模型学习而得,Q(:,si)代表出现在会话si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;
根据用户最近会话表征序列,建立用户长期兴趣
Figure FDA00027512041200000120
令:
Figure FDA00027512041200000121
其中,函数f代表一个非线性转化,
Figure FDA00027512041200000122
为从时空图得到的用户短期兴趣,S(i)为用户ui最近的会话列表;函数f使用注意力机制来实现,具体为:
Figure FDA00027512041200000123
Figure FDA00027512041200000124
其中,
Figure FDA00027512041200000125
为目标用户ui的短期兴趣表征,
Figure FDA00027512041200000126
为目标用户ui的第j个会话
Figure FDA00027512041200000127
表征,参数
Figure FDA00027512041200000128
和参数
Figure FDA00027512041200000129
Figure FDA00027512041200000130
控制每个会话向量的权重,d代表会话向量的维度;
合并用户短期和长期兴趣,获得用户ui最终兴趣gi
Figure FDA00027512041200000131
其中,
Figure FDA00027512041200000132
Figure FDA00027512041200000133
分别为用户ui的短期和长期兴趣,
Figure FDA00027512041200000134
为向量拼接操作,W是线性转化矩阵;
根据用户最终兴趣和物品向量表征,推荐物品;将物品vj的向量qj乘以用户兴趣向量,再应用softmax函数计算出物品vj的分数:
Figure FDA00027512041200000135
其中,g代表用户的兴趣向量,
Figure FDA00027512041200000136
代表物品vj成为下一个交互物品的可能性;同时根据
Figure FDA00027512041200000137
的对数似然函数值,计算损失函数:
Figure FDA0002751204120000021
其中,yj代表vj的one-hot编码,
Figure FDA0002751204120000022
函数用梯度下降法来最优化。
2.根据权利要求1所述的一种基于时空图的会话推荐方法,其中,所述空间信息gt的计算方法为:
Figure FDA0002751204120000023
Figure FDA0002751204120000024
其中,Wk是图参数,σ为sigmoid函数;k代表在图网络G中的搜索深度,
Figure FDA0002751204120000025
代表节点vj在k层的向量表征,最后一层的向量表征也就是空间信息g;B(j)为物品图网络G中当前时间下物品vj的邻居集合。
3.根据权利要求2所述的一种基于时空图的会话推荐方法,其中,所述AGGREGATEk函数采用的是最大池化(max-pooling)方法:
Figure FDA0002751204120000026
其中,σ为sigmoid函数,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;B(j)为物品图网络G中当前时间下物品vj的邻居集合,模型参数Wpool和b分别控制邻居节点的权重和偏置。
CN202010264285.5A 2020-04-07 2020-04-07 一种基于时空图的会话推荐方法 Active CN111460331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010264285.5A CN111460331B (zh) 2020-04-07 2020-04-07 一种基于时空图的会话推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010264285.5A CN111460331B (zh) 2020-04-07 2020-04-07 一种基于时空图的会话推荐方法

Publications (2)

Publication Number Publication Date
CN111460331A CN111460331A (zh) 2020-07-28
CN111460331B true CN111460331B (zh) 2020-12-25

Family

ID=71681650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010264285.5A Active CN111460331B (zh) 2020-04-07 2020-04-07 一种基于时空图的会话推荐方法

Country Status (1)

Country Link
CN (1) CN111460331B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115243B (zh) * 2020-08-11 2023-06-16 南京理工大学 通过对时序时间相关性建模的会话表示学习方法
CN112256916B (zh) * 2020-11-12 2021-06-18 中国计量大学 一种基于图胶囊网络的短视频点击率预测方法
CN112559904B (zh) * 2020-12-16 2021-10-22 中国计量大学 一种基于门机制和多模态图网络的会话社交推荐方法
CN112528165A (zh) * 2020-12-16 2021-03-19 中国计量大学 一种基于动态路由图网络的会话社交推荐方法
CN112765461A (zh) * 2021-01-12 2021-05-07 中国计量大学 一种基于多兴趣胶囊网络的会话推荐方法
CN112905887B (zh) * 2021-02-22 2021-12-14 中国计量大学 一种基于多兴趣短期优先模型的会话推荐方法
CN113704438B (zh) * 2021-09-06 2022-02-22 中国计量大学 一种基于分层注意力机制的异构图的会话推荐方法
CN113704627B (zh) * 2021-09-06 2022-05-17 中国计量大学 一种基于时间间隔图的会话推荐方法
CN113781181B (zh) * 2021-09-16 2024-03-05 中山大学 基于使用物品流行度辅助用户兴趣建模的推荐方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767301A (zh) * 2019-01-14 2019-05-17 北京大学 推荐方法及系统、计算机装置、计算机可读存储介质
CN110119467A (zh) * 2019-05-14 2019-08-13 苏州大学 一种基于会话的项目推荐方法、装置、设备及存储介质
CN110796313A (zh) * 2019-11-01 2020-02-14 北京理工大学 一种基于带权图卷积和项目吸引力模型的会话推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130268516A1 (en) * 2012-04-06 2013-10-10 Imran Noor Chaudhri Systems And Methods For Analyzing And Visualizing Social Events

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767301A (zh) * 2019-01-14 2019-05-17 北京大学 推荐方法及系统、计算机装置、计算机可读存储介质
CN110119467A (zh) * 2019-05-14 2019-08-13 苏州大学 一种基于会话的项目推荐方法、装置、设备及存储介质
CN110796313A (zh) * 2019-11-01 2020-02-14 北京理工大学 一种基于带权图卷积和项目吸引力模型的会话推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GACOforRec: Session-Based Graph Convolutional Neural Networks Recommendation Model;MINGGE ZHANG等;《IEEE》;20190820;全文 *

Also Published As

Publication number Publication date
CN111460331A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111460331B (zh) 一种基于时空图的会话推荐方法
CN108874914B (zh) 一种基于图卷积与神经协同过滤的信息推荐方法
CN111222054B (zh) 一种基于上下文邻居关系建模的会话社交推荐方法
CN111125537B (zh) 一种基于图表征的会话推荐方法
CN111523047B (zh) 基于图神经网络的多关系协同过滤算法
CN110910218B (zh) 一种基于深度学习的多行为迁移推荐方法
CN109544306B (zh) 一种基于用户行为序列特征的跨领域推荐方法及装置
CN111881342A (zh) 一种基于图孪生网络的推荐方法
CN110955826B (zh) 基于改进型循环神经网络单元的推荐系统
CN112685657B (zh) 一种基于多模态交叉融合图网络的会话社交推荐方法
CN112528165A (zh) 一种基于动态路由图网络的会话社交推荐方法
CN115186097A (zh) 一种基于知识图谱和强化学习的交互式推荐方法
CN112819575B (zh) 一种考虑重复购买行为的会话推荐方法
CN112256916B (zh) 一种基于图胶囊网络的短视频点击率预测方法
CN112765461A (zh) 一种基于多兴趣胶囊网络的会话推荐方法
CN114971784B (zh) 一种融合自注意力机制基于图神经网络的会话推荐方法与系统
CN112559904B (zh) 一种基于门机制和多模态图网络的会话社交推荐方法
CN113704438B (zh) 一种基于分层注意力机制的异构图的会话推荐方法
CN112256918B (zh) 一种基于多模态动态路由的短视频点击率预测方法
CN116452293A (zh) 一种融合物品受众特征的深度学习推荐方法及系统
CN114428912A (zh) 一种基于捕捉用户长短期兴趣异构超图的会话推荐方法
CN114528490A (zh) 一种基于用户长短期兴趣的自监督序列推荐方法
CN112307257A (zh) 一种基于多信息节点图网络的短视频点击率预测方法
CN113449193A (zh) 基于多分类图像的信息推荐方法及装置
CN113704440B (zh) 一种基于物品图网络中路径表征的会话推荐方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231013

Address after: Room 407-10, floor 4, building 2, Haichuang science and technology center, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 311100

Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd.

Address before: 310018, No. 258, source street, Xiasha Higher Education Park, Hangzhou, Zhejiang

Patentee before: China Jiliang University