CN111581519B - 基于会话中用户意图的物品推荐方法和系统 - Google Patents

Abstract

本发明提供了一种基于会话中用户意图的物品推荐方法和系统，通过利用先前的时序的物品和最后一个物品来编码当前的会话，从而产生准确的会话表示，然后使用它来进行初始的物品预测作为用户意图。之后，我们设计了意图引导的邻居检测器来定位正确的邻居会话。最后，当前会话和邻居会话的表示通过门控融合层结合起来，产生最终的物品推荐，有效的提高了物品推荐的准确性。

Description

基于会话中用户意图的物品推荐方法和系统

技术领域

本发明属于内容推荐技术领域，具体是涉及到一种基于会话中用户意图的物品荐方法和 系统。

背景技术

现有的基于会话内容进行物品推荐主要是指基于匿名用户会话来产生物品推荐。为了提 高基于匿名的会话产生物品推荐的准确性，研究者们已经利用来自于当前会话的邻居会话的 协同信息来进行所述物品推荐。

然而，在现有技术中，研究者们通常直接选取离当前会话相对较近的一些会话来作为邻 居候选会话，而均为考虑会话中的用户意图，仅仅使用余弦相似度来收集和识别邻居会话， 因而不能识别出最相关的邻居来获得有效的邻居表示，从而影响了物品推荐的准确度。此外， 现有的物品推荐模型中，没有同时对当前会话的时序信号和最近期的兴趣建模，即未根据当 前会话中的所述用户的长期偏好和所述用户的当前兴趣进行物品推荐，推荐准确度不高。此 外现有的推荐方法不能同时建模当前会话中的时序信号和最近期的兴趣，这也不利于物品推 荐的准确度。

发明内容

有鉴于此，本发明提供了一种基于会话中用户意图的物品荐方法和系统，以解决现有的 基于邻居会话的协同信息来进行所述物品推荐的准确度不高的问题。

一种基于会话中用户意图的物品推荐方法，用于从物品集中预测所述用户在下一个时刻 可能交互的物品作为目标物品推荐给所述用户，包括：

基于训练好的推荐模型对当前会话进行编码，以得到当前会话表示，

并根据所述当前会话表示获得所述当前会话中的用户意图，

以及根据所述用户意图从发生在所述当前会话之前的多个会话中识别出所述当前会话的 邻居会话，以得到对应的邻居会话表示，

根据所述当前会话表示和所述邻居会话表示获得所述目标物品并推荐给所述用户。

优选地，基于训练好的推荐模型对当前会话进行编码，以得到当前会话表示包括：

将所述当前会话中的每个物品嵌入到一个d维向量，以获得物品嵌入向量，并将所述当 前会话中的最后一个物品对应的物品嵌入向量表示为所述用户在所述当前会话中的当前兴 趣，

根据所述物品嵌入向量来获得所述物品的隐藏状态向量，并将所述当前会话中的最后一 个物品对应的物品嵌入向量所对应的隐藏状态向量来表示为所述用户在所述当前会话的长期 偏好，

连接所述当前兴趣和长期偏好，以得到所述当前会话表示。

优选地，在所述物品嵌入向量采用门控循环单元GRU作用于所述物品嵌入向量，以获得 所述隐藏状态向量。

优选地，根据所述当前会话表示获得所述当前会话中的用户意图包括：

根据所述当前会话表示生成所述物品集中每个物品作为所述目标物品的预测分数，

将所述物品集中的物品按对应的所述预测分数由高到低排序，选择排序在前的多个所述 物品集中的物品构成的向量作为所述当前会话中的用户意图。

优选地，根据所述用户意图从发生在所述当前会话之前的多个会话中识别出所述当前会 话的邻居会话，以得到对应的邻居会话表示包括：

收集发生在所述当前会话之前的多个会话的会话表示和对应的所述目标物品来组成会话 记忆，

根据所述用户意图在所述会话记忆中检索出各个与所述用户意图中的物品之一相同的所 述目标物品对应的会话表示构成待识别邻居会话表示，

根据所述用户意图中的物品的顺序将所述待识别令居会话表示中的各个会话表示进行排 序，

从排序后的所述待识别邻居会话表示中选择排序靠前的多个会话表示构成所述当前会话 的候选邻居会话，

计算所述候选邻居会话中的各个会话和所述当前会话的相似度，并选择相似度靠前的多 个所述候选邻居中的会话作为所述当前会话的各个邻居会话，

计算各个所述邻居会话的加权和，以作为所述邻居会话表示。

优选地，所述会话记忆通过先进先出的机制来进行更新。

优选地，根据所述当前会话表示和所述邻居会话表示获得所述目标物品并推荐给所述用 户包括：

采用门控混合层自适应的集成所述当前会话表示和所述邻居会话表示来获得所述用户的 偏好，

根据所述偏好获得所述目标物品，以推荐给所述用户。

优选地，基于训练好的推荐模型对当前会话进行编码，以得到当前会话表示之前，还包 括应用反向传播算法来训练所述推荐模型。

优选地，采用交叉熵函数作为优化目标来学习所述推荐模型的参数。

一种基于会话中用户意图的物品推荐系统，用于从物品集中预测所述用户在下一个时刻 可能交互的物品作为目标物品推荐给所述用户，包括：会话编码器、意图生成器，意图引导 的邻居检测器、偏好融合器，

所述会话编码器对当前会话进行编码，以得到当前会话表示，

所述意图生成器根据所述当前会话表示生成所述当前会话中的用户意图，

所述意图引导的邻居检测器根据所述用户意图从发生在所述当前会话之前的多个会话中 识别出所述当前会话的邻居会话，以得到对应的邻居会话表示，

所述偏好融合器用于融合所述当前会话表示和所述邻居会话表示获得所述用户的偏好， 并根据所述偏好从所述物品集中预测下一个所述用户可能交互的物品作为目标物品推荐给所 述用户。

由上可见，依据本发明提供的基于会话中用户意图的物品推荐方法和系统，通过利用先 前的时序的物品和最后一个物品来编码当前的会话，从而产生准确的会话表示，然后使用它 来进行初始的物品预测作为用户意图。之后，我们设计了意图引导的邻居检测器来定位正确 的邻居会话。最后，当前会话和邻居会话的表示通过门控融合层自适应地结合起来，产生最 终的物品推荐，有效的提高了物品推荐的准确性。

附图说明

图1为依据本发明提供的基于会话中用户意图的物品推荐模型框图。

图2为CSRM和SR-GNN这两个基准模型及本发明推荐模型依据本发明变体模型在YOOCHOOSE数据集的Recall@20指标的比较结果图；

图3为CSRM和SR-GNN这两个基准模型及本发明推荐模型依据本发明变体模型在YOOCHOOSE数据集的MRR@20指标的比较结果图；

图4为CSRM和SR-GNN这两个基准模型及本发明推荐模型依据本发明变体模型在DIGINETICA数据集的Recall@20指标的比较结果图；

图5为CSRM和SR-GNN这两个基准模型及本发明推荐模型依据本发明变体模型在DIGINETICA数据集的MRR@20指标的比较结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中 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产生的所有其他实施例，都 属于本发明保护的范围。此外需要说明的是，在具体实施方式这一项内容中“所述…”是仅 指本发明的中的技术属于或特征。此外，需要说明的是，本申请中所以相同标记的常规体和 斜体表示同一个参量，例如常规体S_t和其斜体S_t都表示当前会话。

基于会话内容的物品推荐主要目的是根据当前会话从物品集V_t＝{v₁,v₂,…,v_|v|}中预测下一 个用户可能感兴趣的物品作为目标物品推荐给客户。例如，物品集V_t＝{v₁,v₂,…,v_|v|}，当前会 话表示为S_t，当前会话S_t为在一个时间戳t的由n个物品组成的会话S_t＝{s₁,s₂,…,s_n}从中预 测下一个用户可能交互的物品则为s_n+1。为了提高基于会话内容进行物品推荐的准确度，我 们在构建推荐模型中考虑了当前会话中用户的潜在意图，以根据用户的意图来更准确的识别 当前会话的邻居会话，以便根据当前会话和邻居会话来进行物品推荐。因此，我们提供了一 种基于会话中用户意图的物品推荐方法，通过所述方法从物品集中预测下一个所述用户可能 交互的物品作为目标物品推荐给所述用户。所述方法主要通过如图1所示的推荐模型来实现， 但所述方法不局限于仅能通过图1所示的模型来实现。图1具体为一种基于会话中用户意图 的物品推荐模型，图1所示的物品推荐模型所运行的系统为基于会话中用户意图的物品推荐 系统。

依据本发明提供的基于会话中用户意图的物品推荐方法主要包括基于训练好的推荐模型 (如图1所示的推荐模型)进行以下步骤：

步骤1：对当前会话进行编码，以得到当前会话表示。

我们将所述推荐模型接收到的当前会话表示为St，当前会话St为在一个时间戳t的由n 个物品组成的会话，S_t＝{s₁,s₂,…,s_n},其中s_i(1≤i≤n)表示会话S_t中的在时间戳t上的第i个物 品。会话S_t为向量的表现形式，则s_i为会话向量的第i个分量。当所述推荐模型接收当前会 话S_t时，对当前会话S_t进行编码的方式主要是将会话S_t中的每个物品s_i嵌入到d维向量中， 以转换成物品嵌入向量x_i，x_i∈Rd,由各个物品嵌入向量构成的物品嵌入向量集Xt，X_t＝{x₁,x₂,…,x_n}，x_i为X_t中的第i个分量。考虑到最后一个物品s_n反映了用户最近期的交互， 我们在获得物品嵌入向量X_t后，直接选择最后一个分量x_n(当前会话中的最后一个物品对应 的物品嵌入向量)来表示用户在当前会话中的当前兴趣

因此所述当前兴趣的表示公式 如公式(1)所示：

为了捕获会话S_t中时序信号，我们可以在物品嵌入向量X_t＝{x₁,x₂,…,x_n}使用门控循环单 元(GRU)来获得物品s_i的隐藏状态h_i，h_i的主要获取公式如公式(2)：

h_i＝GRU(x_i,h_i-1) (2)

各个隐藏状态h_i构成了隐藏状态向量集H_t＝{h₁,h₂,…,h_n}，我们将隐藏状态向量H_t中的最 后一个分量h_n(当前会话中的最后一个物品对应的物品嵌入向量对应的隐藏状态向量)作为 用户的长期偏好

因此所述长期偏好表示的公式如公式(3)所示：

为了完整的考虑用当前会话中，所述用户的当前兴趣

和长期偏好

我们最终 通过连接所述当前兴趣

和长期偏好

来获得所述当前会话的表示

所述会话 表示的公式如公式(4)所示：

其中，公式(4)中[·]表示连通操作，W₀∈R^dx2d被用于线性投影。

步骤2：根据所述当前会话表示获得所述当前会话中的用户意图。

根据所述当前会话表示产生所述用户意图的步骤包括：

步骤21：先根据所述当前会话表示对所述物品集V中的每一个物品作为用户下一个可能 感兴趣的目标物品推荐给用户的预测分数

其计算公式如公式(5)所示：

这里X是物品集V中所有候选物品分别嵌入到一个d维向量转换成嵌入物品后构成的嵌 入向量，

对应于每个物品v_i∈V的相应的预测分数，

为

的转置矩阵，预测 分数越高表示对应的物品作为所述目标物品被推荐的概率越高。然后，我们将所述物品集中 的各个物品按对应的所述预测分数由高到低排序，选择排序在前的K个所述物品集中的物品 构成的向量Q_t作为所述当前会话中的用户意图，则所述用户意图Q_t可以表示为：

Q_t＝{q₁,q₂,...,q_K}

其中，q_i为经过上述排序被选中的K个物品中的第i个物品。

步骤3：根据所述用户意图从发生在所述当前会话之前的多个会话中识别出所述当前会 话的邻居会话，以得到对应的邻居会话表示。

在给定的会话中，为了呈现物品进行交互的过程中会一直迭代进行，直到用户需求得到 满足，因此，会话对应的目标物品可以隐式地代表用户的意图。因此，在给定当前会话St后， 我们可以先依次收集发生在它之前的L₀个会话的表示和他们对应的目标物品来组成会话记忆 M_t ⁰，即

M_t ⁰和g_i(t-L₀≤i≤t-1)分别代表会话St的表示和对应的目标 物品。会话记忆M_t ⁰通过先进先出的机制来进行更新，以确保容纳当前会话S_t之前的最近L₀个会话。然后，我们尝试从M_t ⁰中选择一个子集来构造邻居会话表示，该过程包括两个阶段 来实现，分别是意图引导的检索阶段和邻居表示阶段，具体描述如下。

在意图引导的检索阶段，我们的目标是在给定会话记忆M_t ⁰中检索出与所述用户意图中 的物品之一相同的所述目标物品对应的会话表示构成待识别邻居会话表示M_t ¹。，即在检索的 过程中，若所述会话记忆中的目标物品出现在所述用户意图Q_t中，则选择该目标物品所对应 的会话表示作为一个待识别邻居会话表示，所述待识别邻居会话表示M_t ¹的计算公式如公式 (6)所示：

M_t ¹＝{m_l ⁰|g_i＝q_k,t-L₀≤i≤t-1,1≤k≤K} (6)

接着，我们按照用户意图Q_t中的物品顺序将待识别邻居会话表示M_t ¹重排序为

这里L₁表示检索到的会话的数目。然后，我们从M_t ¹中选取前L₂个会话的表示 作为当前会话St的候选邻居会话表示M_t ²，其中，

在产生了候选邻居M_t ²后，为了确定每个候选邻居会话与当前会话St的相关程度，我们 计算每个会话表示

与当前会话表示

的余弦相似度，如公式(7)所示：

然后基于相似度对各个所述候选邻居会话表示进行排序，并选择L₃个最相似的会话表示 作为当前会话S_t最终的邻居表示M_t ³，表示为

然后我们计算这些邻居会话表 示的加权和，如公式(8)所示：

这里m_r ³是M_t ³中第r个邻居会话的表示，

可以被视为S_t对应的邻居表示。权重 w_r可以通过公式(9)获得：

w_r＝softmax(sim(z_t ^recurrent,m_r ³)) (9)

这里的sim(·)是在公式(7)中已经计算了的相似度。

步骤4：根据所述当前会话表示和所述邻居会话表示获得所述目标物品并推荐给所述用 户。

在通过公式(4)得到当前会话表示

和通过公式(8)得到邻居会话表示

后， 我们选择采用门控混合层来有选择地(自适应地)集成它们来表示用户的偏好_ut，其表达公 式如公式(10)所示:

公式(10)的f_t可以通过以公式(11)获得：

公式(11)的σ是sigmoid激活函数，W₁,W₂∈R^d×d是可训练的参数。在融合好所述当前会 话表示和所述邻居会话表示获得所述用户的偏好后，我们根据所述偏好获得目标物品来推荐 给所述用户。具体的根据所述偏好来推荐所述目标物品的方式与根据当前会话获得所述用户 意图的方式相似，也是需要分为两个步实现，先是计算所述物品集中各个物品的预测分数， 计算方式与公式(5)相似，具体如公式(12)所示：

在获得所述预测分数后，将预测分数最高的物品作为所述目标物品推荐给用户。

为了训练所述推荐模型，我们采用交叉熵函数作为优化目标来学习所述推荐模型中的参 数，具体如公式(13)所示：

这里y_l和

分别是真实购买的独热编码和

的第i个分量。也就是说，如果物品v_l是给 定会话的目标物品，那么y_l＝1；反之，y_l＝0。在采用如图1所示的推荐模型进行所述步骤 1步骤4之前，我们还应用反向传播算法(BPTT)来训练所述推荐模型。

此外，本发明还提供了一种基于本发明提供的推荐方法实现的基于会话中用户意图的物 品推荐系统，结合图1所示，所述物品推荐系统主要包括会话编码器、意图生成器，意图引 导的邻居检测器、偏好融合器，其中，所述会话编码器对当前会话进行编码，以得到当前会 话表示，所述意图生成器根据所述当前会话表示生成所述当前会话中的用户意图，所述意图 引导的邻居检测器根据所述用户意图从发生在所述当前会话之前的多个会话中识别出所述当 前会话的邻居会话，以得到对应的邻居会话表示，所述偏好融合器用于融合所述当前会话表 示和所述邻居会话表示获得所述用户的偏好，并根据所述偏好从所述物品集中预测下一个所 述用户可能交互的物品作为目标物品推荐给所述用户。所述偏好融合器进一步包括门控混合 模块和推荐模块，所述门控模块用于融合所述当前会话表示和邻居会话表示，所述推荐模块 根据融合后的当前会话表示和邻居会话表示推荐所述目标物品给用户。

为了验证本发明提供的基于会话中用户意图的推荐方法和系统的有效性和推荐准确性， 我们在YOOCHOOSE和DIGINETICA这两个基准数据集上对本发明的物品推荐方法和系统进行 评估，其中，数据集YOOCHOOSE和DIGINETICA的统计数据如表1所示：

表1

我们将本发明方法中的物品推荐模型ICM-SR与9个现有的有竞争力的基准模型进行比 较，包括：3个传统模型，即S-POP，Item-KNN^]和FPMC；4个基于当前会话的神经模型，即GRU4REC，NARM，STAMP，SR-GNN，两个邻居增强的方法，即RNN-KNN和CSRM。此外，我 们还将本发明的推荐方法中的推荐模型进行了变体模型，及将本发明图1中的会话编码器使 用NARM来代替而形成一个本发明变体模型ICM-SR-NARM，并将本发明变体一起进行了比较。 我们使用YOOCHOOSE整个数据集的1/64进行实验。具体的，我们随机选取训练集的10％作 为验证集来进行调参。我们采用Adam作为优化器，初始的学习率设为0.001,并且每3次循环 衰减0.1。批量大小和L2正则化分别设为100和10^-5。会话记忆的大小L₁设为10000，与CSRM 保持一致。本发明中所述K设为50，候选邻居和最终邻居的数目L₂和L₃分别设为1000和 100。我们使用Recall@N和MRR@N来对各个参与比较的模型的推荐效果进行评价比较，比 较的结果如表2所示，其中，在我们的实验中N设为20。每一栏的最佳基准模型和最佳模型 分别用下划线和粗体标出。ICM-SR与最佳基准模型和ICM-SR与ICM-SR-NARM的差异使用t 检验确定。

表2

如表2所示，参与比较的各个基准模型中基本实现了最好的效果。除了S-PoP，即CSRM 在DIGINETICA的Recall@20指标上表现最好。这可能是由于SR-GNN使用GGNN来建模传递 关系，能够帮助生成当前会话的准确表示。因此，在接下来的实验中，我们采用CSRM和SR-GNN 作为基准模型。

接下来的实验中，我们关注本发明推荐模型和本发明变体模型，总的来说，本发明推荐 模型在上述两个数据集的Recall@20和MRR@20指标上都实现了最好的效果。另外，我们可 以看到本发明推荐模型优于本发明变体模型，这说明了在我们的框架中所提出的会话编码器 相比于NARM能够产生更准确的会话表示。本发明推荐模型相对于本发明变体模型在 YOOCHOOSE和DIGINETICA的Recall@20指标上的提高分别为0.84％和0.54％。而在MRR@20 指标上，提高分别为1.86％和1.48％。这说明，通过建模当前会话中的时序信号和近期兴趣， 我们提出的会话编码器能够将目标物品在推荐列表中排在更靠前的位置。与CSRM相比，采 用不同邻居选择策略的本发明变体模型具有更好地性能。这可能是由于意图引导的邻居检测 器能够选择更加相关的邻居会话来增强用户偏好的表示。值得注意的是，本发明变体模型相 对于CSRM在Recall@20上的提高分别为在YOOCHOOSE上是0.96％，在DIGINETICA上是0.68％。 而在MRR@20上的提高分别为3.23％和3.31％。在MRR@20上的更高提高表明，意图引导的 邻居检测器也能够帮助将目标物品在更靠前的位置返回。

我们比较了本发明的推荐模型，本发明的变体模型和最好的基准模型CSRM、SR-GNN在 不同会话长度上的表现，CSRM和SR-GNN这两个基准模型和本发明推荐模型依据本发明变体 模型在两个数据集上在Recall@20和MRR@20指标上比较结果如图2-图5中各个示意图所示。 参考图2-图5，我们可以看出，在YOOCHOOSE数据集上，总的来说，本发明推荐模型在不同 会话长度的Recall@20和MRR@20指标上都要高于其它的模型。随着会话长度的增加，我们 可以发现所有模型在Recall@20上的表现在length 5之前都保持稳定然后展现出持续的下降趋 势。然而MRR@20的表现总体呈现下降趋势。在较长会话中两个指标的共同下降可能是由于 在较长的会话中用户会与更多的不相关物品进行交互，可能是出于偶然或者好奇。有趣的是， 在DIGINETICA数据集上，所有模型在Recall@20和MRR@20上的表现都是在length 2上达到 最好的效果；在那之后，展现出总体下降的趋势。特别的是，本发明推荐模型在Recall@20 上的提高比在MRR@20上更加明显。在MRR@20的某些情况下，本发明推荐模型表现差于 SR-GNN。此外，本发明推荐模型相比于本发明变体模型在Recall@20和MRR@20上都对于长 会话更加显著。这表明，通过关注于当前会话中最近的兴趣，本发明推荐模型与本发明变体 模型相比可以更准确地表示长会话。

由上可见，依据本发明提供的基于会话中用户意图的物品推荐方法和系统，通过利用先 前的时序的物品和最后一个物品来编码当前的会话，从而产生准确的会话表示，然后使用它 来进行初始的物品预测作为用户意图。之后，我们设计了意图引导的邻居检测器来定位正确 的邻居会话。最后，当前会话和邻居会话的表示通过门控融合层自适应地结合起来，产生最 终的物品推荐，有效的提高了物品推荐的准确性。

依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该 发明仅为所述的具体实施例。根据以上描述，可作很多的修改和变化。本说明书选取并具体 描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人 员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范 围和等效物的限制。

Claims (7)

1.一种基于会话中用户意图的物品推荐方法，用于从物品集中预测所述用户在下一个时刻可能交互的物品作为目标物品推荐给所述用户，其特征在于，包括：

基于训练好的推荐模型对当前会话进行编码，以得到当前会话表示，

并根据所述当前会话表示获得所述当前会话中的用户意图，

以及根据所述用户意图从发生在所述当前会话之前的多个会话中识别出所述当前会话的邻居会话，以得到对应的邻居会话表示，

根据所述当前会话表示和所述邻居会话表示获得所述目标物品并推荐给所述用户；

其中，基于训练好的推荐模型对当前会话进行编码，以得到当前会话表示包括：

将所述当前会话中的每个物品嵌入到一个d维向量，以获得物品嵌入向量，并将所述当前会话中的最后一个物品对应的物品嵌入向量表示为所述用户在所述当前会话中的当前兴趣，

根据所述物品嵌入向量来获得所述物品的隐藏状态向量，并将所述当前会话中的最后一个物品对应的物品嵌入向量所对应的隐藏状态向量来表示为所述用户在所述当前会话的长期偏好，

连接所述当前兴趣和长期偏好，以得到所述当前会话表示；

根据所述当前会话表示获得所述当前会话中的用户意图包括：

根据所述当前会话表示生成所述物品集中每个物品作为所述目标物品的预测分数，

将所述物品集中的物品按对应的所述预测分数由高到低排序，选择排序在前的多个所述物品集中的物品构成的向量作为所述当前会话中的用户意图；

根据所述用户意图从发生在所述当前会话之前的多个会话中识别出所述当前会话的邻居会话，以得到对应的邻居会话表示包括：

收集发生在所述当前会话之前的多个会话的会话表示和对应的所述目标物品来组成会话记忆，

根据所述用户意图在所述会话记忆中检索出各个与所述用户意图中的物品之一相同的所述目标物品对应的会话表示构成待识别邻居会话表示，

根据所述用户意图中的物品的顺序将所述待识别邻居会话表示中的各个会话表示进行排序，

从排序后的所述待识别邻居会话表示中选择排序靠前的多个会话表示构成所述当前会话的候选邻居会话，

计算所述候选邻居会话中的各个会话和所述当前会话的相似度，并选择相似度靠前的多个所述候选邻居中的会话作为所述当前会话的各个邻居会话，

计算各个所述邻居会话的加权和，以作为所述邻居会话表示。

2.根据权利要求1所述的物品推荐方法，其特征在于，在所述物品嵌入向量采用门控循环单元GRU作用于所述物品嵌入向量，以获得所述隐藏状态向量。

3.根据权利要求1所述的物品推荐方法，其特征在于，所述会话记忆通过先进先出的机制来进行更新。

4.根据权利要求1所述的物品推荐方法，其特征在于，根据所述当前会话表示和所述邻居会话表示获得所述目标物品并推荐给所述用户包括：

采用门控混合层自适应的集成所述当前会话表示和所述邻居会话表示来获得所述用户的偏好，

根据所述偏好获得所述目标物品，以推荐给所述用户。

5.根据权利要求1所述的物品推荐方法，其特征在于，基于训练好的推荐模型对当前会话进行编码，以得到当前会话表示之前，还包括应用反向传播算法来训练所述推荐模型。

6.根据权利要求1所述的物品推荐方法，其特征在于，采用交叉熵函数作为优化目标来学习所述推荐模型的参数。

7.一种基于会话中用户意图的物品推荐系统，用于从物品集中预测所述用户在下一个时刻可能交互的物品作为目标物品推荐给所述用户，其特征在于，包括：会话编码器、意图生成器，意图引导的邻居检测器、偏好融合器，

所述会话编码器对当前会话进行编码，以得到当前会话表示，包括：将所述当前会话中的每个物品嵌入到一个d维向量，以获得物品嵌入向量，并将所述当前会话中的最后一个物品对应的物品嵌入向量表示为所述用户在所述当前会话中的当前兴趣，根据所述物品嵌入向量来获得所述物品的隐藏状态向量，并将所述当前会话中的最后一个物品对应的物品嵌入向量所对应的隐藏状态向量来表示为所述用户在所述当前会话的长期偏好，连接所述当前兴趣和长期偏好，以得到所述当前会话表示；

所述意图生成器根据所述当前会话表示生成所述当前会话中的用户意图，包括根据所述当前会话表示生成所述物品集中每个物品作为所述目标物品的预测分数，将所述物品集中的物品按对应的所述预测分数由高到低排序，选择排序在前的多个所述物品集中的物品构成的向量作为所述当前会话中的用户意图；

所述意图引导的邻居检测器根据所述用户意图从发生在所述当前会话之前的多个会话中识别出所述当前会话的邻居会话，以得到对应的邻居会话表示，包括：收集发生在所述当前会话之前的多个会话的会话表示和对应的所述目标物品来组成会话记忆，根据所述用户意图在所述会话记忆中检索出各个与所述用户意图中的物品之一相同的所述目标物品对应的会话表示构成待识别邻居会话表示，根据所述用户意图中的物品的顺序将所述待识别邻居会话表示中的各个会话表示进行排序，从排序后的所述待识别邻居会话表示中选择排序靠前的多个会话表示构成所述当前会话的候选邻居会话，计算所述候选邻居会话中的各个会话和所述当前会话的相似度，并选择相似度靠前的多个所述候选邻居中的会话作为所述当前会话的各个邻居会话，计算各个所述邻居会话的加权和，以作为所述邻居会话表示；

所述偏好融合器用于融合所述当前会话表示和所述邻居会话表示获得所述用户的偏好，并根据所述偏好从所述物品集中预测下一个所述用户可能交互的物品作为目标物品推荐给所述用户。

Images