CN114971784B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114971784B CN114971784B CN202210558939.4A CN202210558939A CN114971784B CN 114971784 B CN114971784 B CN 114971784B CN 202210558939 A CN202210558939 A CN 202210558939A CN 114971784 B CN114971784 B CN 114971784B
- Authority
- CN
- China
- Prior art keywords
- feature
- commodity
- session
- matrix
- weight
- 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
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 115
- 230000007774 longterm Effects 0.000 claims abstract description 56
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 121
- 238000004364 calculation method Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000004260 weight control Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 238000012546 transfer Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005065 mining Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 5
- 241000531116 Blitum bonus-henricus Species 0.000 description 3
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- SLXKOJJOQWFEFD-UHFFFAOYSA-N 6-aminohexanoic acid Chemical compound NCCCCCC(O)=O SLXKOJJOQWFEFD-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开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。包括:将电子商务领域中消费者交互商品的序列数据建立会话图神经网络模型,该模型用于更新节点的状态,从而学习到商品间的序列特征;再依据该会话数据构建对应商品的属性序列转换关系,利用门控循环单元模型学习商品属性间的序列特征;然后将两个模型输出的特征向量用神经网络模型融合;接着利用多头注意力机制在该特征层进一步挖掘各个特征间相互关系;最后,利用软注意力机制学习用户的长期偏好,再结合短期偏好利用线性变换得到用户最终特征向量。本发明通过将会话中商品的属性序列特征关系融入商品会话序列中,使模型能挖掘到更精准的用户偏好,提高推荐系统的关键性能。
Description
技术领域
本发明属于电子商务技术领域,尤其涉及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。
背景技术
近年来,网上挑选商品成为人们购物的一种方式,为了让用户有更好的购物体验,电子商务网站会使用推荐算法帮助用户挑选出满意的商品。传统推荐方法关注更多的是用户的长期行为,并且需要根据用户的显性行为(如用户在淘宝网站上对商品的评论和评分等行为)建模。但在现实场景中,一些电子商务网站允许用户匿名访问,在没有身份标识的情况下不能获取其显性行为,导致无法为匿名用户推荐商品。所以,在匿名场景下,提出根据用户的历史会话和正在进行的临时会话捕捉用户的兴趣偏好,这种推荐方式称为基于会话的推荐,会话是发生在一段时间内的用户和网站的交互记录。
不同于其他推荐问题,使用传统的推荐方法解决基于会话的推荐问题难度很大,一些学者尝试通过改进传统方法解决会话推荐中存在的问题,得到的推荐结果往往会被模型中固有的特性限制。目前,传统的会话推荐方法如马尔可夫链和矩阵分解等取得了不错的研究成果。随着商品越来越多,矩阵分解方法的计算代价也越大。而基于马尔可夫链的方法,独立地组合了过去的组件,这种过于强烈的独立性假设,限制了预测的准确性。基于深度学习的会话推荐方法如经典的循环神经网络,循环神经网络方法只能捕捉到用户交互行为中的单向关系,在会话数据比较稀疏时,无法捕捉用户的真正偏好。
电子商务领域使用的推荐算法包括协同过滤算法、基于内容的推荐算法和混合推荐算法等。对于允许匿名访问的电子商务网站,基于会话的推荐方法被广泛的应用和研究,传统的方法包括马尔可夫链和循环神经网络等。基于循环神经网络的方法中,用嵌入向量表示用户的兴趣,根据这些兴趣进行推荐。但是会话推荐中用户是匿名的,且用户行为受到限制,循环神经网络很难从每个会话中准确得到用户的表示,而且循环神经网络只对相邻商品的单向转移建模,忽略了会话中其他商品信息,当会话中数据稀缺时,捕捉到的用户喜好并不准确,无法为用户生成满意的推荐列表。在近几年的研究中,图神经网络方法被广泛应用在会话推荐中,图神经网络的出现将用户的交互行为建模为图结构,不同于循环神经网络,图神经网络将商品序列建模为有向图,提取商品间双向关系,取得了显著的效果。但是,由于在电子商务网站中获取的会话数据有限,而目前提出的基于图神经网络的会话推荐方法通常只考虑商品间的转移模式,无法得到足够的序列关系,导致模型挖掘的用户偏好不够准确。
发明内容
本发明针对现有基于图神经网络的会话推荐存在的挖掘用户偏好不够准确的问题,提出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。
为了实现上述目的,本发明采用以下技术方案:
本发明一方面提出一种融合自注意力机制基于图神经网络的会话推荐方法,包括:
步骤1:将商品会话序列数据根据其点击关系绘制成会话图,会话图中的节点代表商品,边代表节点间的点击关系,使用图神经网络模型更新会话图中节点的状态,学习到商品间的序列特征;
步骤2:根据会话序列的顺序关系构建对应商品属性序列,并使用门控循环单元模型学习商品属性间的序列特征;
步骤3:将两个模型输出的特征向量利用神经网络模型进行融合,再利用多头注意力机制在特征层进一步挖掘各个特征间相互关系,最后,利用软注意力机制学习用户的长期偏好,再结合短期偏好利用线性变换得到用户最终特征向量,用以生成推荐商品。
进一步地,所述步骤1中,按照如下方式更新会话图中节点的状态:
其中,是t时刻聚合信息后节点vi的状态向量;As,i:表示节点vi的邻接矩阵,邻接矩阵包含出度值和入度值;是t-1时刻所有节点特征向量的拼接矩阵,表示t-1时刻节点vi的状态,H是权重控制项,b是偏置项;表示t时刻节点vi的更新门;表示t时刻节点vi的重置门;S=(s1,s2,...,sM)表示会话中M个会话序列,一个会话序列表示为s=(I1,I2,…,Im),其中s∈S,且商品Ii∈I,I=(I1,I2,...,IN)表示会话中的N个不重复的电商商品;σ(·)是sigmoid函数,将连续值映射到(0,1)之间;表示t时刻节点vi的候选隐藏状态;表示输出节点的最终状态向量;Wz∈Rd和Uz∈Rd是更新门下分别控制和的权重向量,Wr∈Rd和Ur∈Rd是重置门下分别控制和的权重向量,d表示维度,参数Wo和Uo分别是控制和的权重向量;.是点乘运算;tanh(.)表示双曲正切函数。
进一步地,所述步骤2包括:
首先,根据当前输入的商品属性向量ci和上一时刻ti-1的状态hi-1计算更新门zi和重置门ri,其中,sigmoid激活函数将更新门和重置门的值映射到(0,1)区间:
zi=sigmoid(Wzci+Uzhi-1) (6)
ri=sigmoid(Wrci+Urhi-1) (7)
其次,得到门控信号后,使用重置门将上一时刻的状态重置,并和当前输入拼接,再经过tanh函数将值映射到[-1,1]之间,得到当前时刻属性ci的候选状态
其中,和分别是控制ci和(ri·hi-1)的权重向量;
然后,利用更新门得到当前输入ci的最终状态为:
最后,将每一时刻GRU模型的输出,即商品属性序列中每个商品属性的最终状态进行拼接,得到商品属性序列的状态矩阵Ha=[h1,h2,...,hm],其中hi代表属性ci的最终状态,所述商品的属性为商品种类。
进一步地,所述步骤3包括:
将图神经网络输出的节点特征矩阵和GRU模型输出的商品属性特征矩阵拼接,使用全连接层将其融合,计算公式为:
其中,W1∈R2d*d是全连接层下的权重矩阵,b1∈Rd是偏置项,O∈Rm*d是节点特征矩阵和商品属性特征矩阵融合得到的特征矩阵;
使用多头注意力机制,根据头的个数heads划分出多个子空间,在每个子空间中对特征矩阵O进行注意力计算后,再将多个输出合并起来:首先,基于特征矩阵,使用线性变换得到heads个子空间的注意力层的输入Q,K,V,Q,K,V∈Rheads*m*d:
其中,和是进行线性变换的权重矩阵;
将Q,K,V划分到heads个子空间后,使用缩放点积注意力计算得到特征在编码过程中对应的注意力权重矩阵h:
其中,h∈Rheads*m*d;
多头注意力机制将进行了heads次注意力计算的结果在全连接层进行融合,计算公式如下:
M=W2h+b2 (15)
其中,W2∈R(d*heads)*d全连接层下使用的权重矩阵,b2是偏置项,M∈Rm*d是heads次注意力计算结果融合后得到的特征矩阵;
将特征矩阵M=(M1,M2,…,Mm)作为用户的长期偏好,将特征矩阵中最后一个特征向量Mm作为用户的短期偏好,表示为Mshort=Mm;
使用软注意力机制为长期偏好中每个特征分配权重:
其中,atti是特征Mi的权重,q是权重向量,Mlong∈Rd是长期偏好向量;
取商品属性向量的平均值:
取特征矩阵M中的当前特征Mi、长期偏好、短期偏好和商品种类向量平均值Ha共同作为决定长短期偏好重要性的因素,并在全连接层将其融合成用户偏好向量Hs:
ai=softmax(W3Mi+W4Mlong+W5Mshort+W6Ha+b2) (19)
Hs=W7[aiMlong;(1-ai)Mshort] (20)
其中,ai是注意力权重,参数W3,W4,W5,W6分别是作用于Mi,Mlong,Mshort,Ha的权重向量,W7∈R2d*d是全连接层下融合长期偏好和短期偏好使用的权重矩阵;
通过用户偏好向量和所有商品的嵌入向量做点积,计算出每个商品的推荐分数,并使用softmax方法将该推荐分数转化成概率:
其中,权重ai决定长期偏好的重要性,(1-ai)决定短期偏好的重要性,[;]表示对长期偏好和短期偏好进行拼接,y′是模型预测的商品成为下一个点击项的概率,从中选出概率最大的前N个商品推荐给用户。
本发明另一方面提出一种融合自注意力机制基于图神经网络的会话推荐系统,包括:
第一特征提取模块,用于将商品会话序列数据根据其点击关系绘制成会话图,会话图中的节点代表商品,边代表节点间的点击关系,使用图神经网络模型更新会话图中节点的状态,学习到商品间的序列特征;
第二特征提取模块,用于根据会话序列的顺序关系构建对应商品属性序列,并使用门控循环单元模型学习商品属性间的序列特征;
特征融合模块,用于将两个模型输出的特征向量利用神经网络模型进行融合,再利用多头注意力机制在特征层进一步挖掘各个特征间相互关系,最后,利用软注意力机制学习用户的长期偏好,再结合短期偏好利用线性变换得到用户最终特征向量,用以生成推荐商品。
进一步地,所第一特征提取模块中,按照如下方式更新会话图中节点的状态:
其中,是t时刻聚合信息后节点vi的状态向量;As,i:表示节点vi的邻接矩阵,邻接矩阵包含出度值和入度值;是t-1时刻所有节点特征向量的拼接矩阵,表示t-1时刻节点vi的状态,H是权重控制项,b是偏置项;表示t时刻节点vi的更新门;表示t时刻节点vi的重置门;S=(s1,s2,...,sM)表示会话中M个会话序列,一个会话序列表示为s=(I1,I2,…,Im),其中s∈S,且商品Ii∈I,I=(I1,I2,...,IN)表示会话中的N个不重复的电商商品;σ(·)是sigmoid函数,将连续值映射到(0,1)之间;表示t时刻节点vi的候选隐藏状态;表示输出节点的最终状态向量;Wz∈Rd和Uz∈Rd是更新门下分别控制和的权重向量,Wr∈Rd和Ur∈Rd是重置门下分别控制和的权重向量,d表示维度,参数Wo和Uo分别是控制和的权重向量;.是点乘运算;tanh(.)表示双曲正切函数。
进一步地,所述第二特征提取模块具体用于:
首先,根据当前输入的商品属性向量ci和上一时刻ti-1的状态hi-1计算更新门zi和重置门ri,其中,sigmoid激活函数将更新门和重置门的值映射到(0,1)区间:
zi=sigmoid(Wzci+Uzhi-1) (6)
ri=sigmoid(Wrci+Urhi-1) (7)
其次,得到门控信号后,使用重置门将上一时刻的状态重置,并和当前输入拼接,再经过tanh函数将值映射到[-1,1]之间,得到当前时刻属性ci的候选状态
其中,和分别是控制ci和(ri·hi-1)的权重向量;
然后,利用更新门得到当前输入ci的最终状态为:
最后,将每一时刻GRU模型的输出,即商品属性序列中每个商品属性的最终状态进行拼接,得到商品属性序列的状态矩阵Ha=[h1,h2,...,hm],其中hi代表属性ci的最终状态,所述商品的属性为商品种类。
进一步地,所述特征融合模块具体用于:
将图神经网络输出的节点特征矩阵和GRU模型输出的商品属性特征矩阵拼接,使用全连接层将其融合,计算公式为:
其中,W1∈R2d*d是全连接层下的权重矩阵,b1∈Rd是偏置项,O∈Rm*d是节点特征矩阵和商品属性特征矩阵融合得到的特征矩阵;
使用多头注意力机制,根据头的个数heads划分出多个子空间,在每个子空间中对特征矩阵O进行注意力计算后,再将多个输出合并起来:首先,基于特征矩阵,使用线性变换得到heads个子空间的注意力层的输入Q,K,V,Q,K,V∈Rheads*m*d:
其中,和是进行线性变换的权重矩阵;
将Q,K,V划分到heads个子空间后,使用缩放点积注意力计算得到特征在编码过程中对应的注意力权重矩阵h:
其中,h∈Rheads*m*d;
多头注意力机制将进行了heads次注意力计算的结果在全连接层进行融合,计算公式如下:
M=W2h+b2 (15)
其中,W2∈R(d*heads)*d全连接层下使用的权重矩阵,b2是偏置项,M∈Rm*d是heads次注意力计算结果融合后得到的特征矩阵;
将特征矩阵M=(M1,M2,…,Mm)作为用户的长期偏好,将特征矩阵中最后一个特征向量Mm作为用户的短期偏好,表示为Mshort=Mm;
使用软注意力机制为长期偏好中每个特征分配权重:
其中,atti是特征Mi的权重,q是权重向量,Mlong∈Rd是长期偏好向量;
取商品属性向量的平均值:
取特征矩阵M中的当前特征Mi、长期偏好、短期偏好和商品种类向量平均值Ha共同作为决定长短期偏好重要性的因素,并在全连接层将其融合成用户偏好向量Hs:
ai=softmax(W3Mi+W4Mlong+W5Mshort+W6Ha+b2) (19)
Hs=W7[aiMlong;(1-ai)Mshort] (20)
其中,ai是注意力权重,参数W3,W4,W5,W6分别是作用于Mi,Mlong,Mshort,Ha的权重向量,W7∈R2d*d是全连接层下融合长期偏好和短期偏好使用的权重矩阵;
通过用户偏好向量和所有商品的嵌入向量做点积,计算出每个商品的推荐分数,并使用softmax方法将该推荐分数转化成概率:
其中,权重ai决定长期偏好的重要性,(1-ai)决定短期偏好的重要性,[;]表示对长期偏好和短期偏好进行拼接,y′是模型预测的商品成为下一个点击项的概率,从中选出概率最大的前N个商品推荐给用户。
与现有技术相比,本发明具有的有益效果:
本发明将会话中商品属性特征的序列关系融入会话推荐中。首先使用图神经网络对商品会话序列数据建模,挖掘商品间的转移关系;其次使用GRU模型对商品属性序列建模,捕捉属性间转移关系;最后,将两个模型的输出的特征向量拼接并利用神经网络模型进行融合,再使用多头注意力机制在特征层进一步挖掘各个特征间相互关系,然后使用软注意力机制学习用户的长期偏好,并和短期偏好拼接后进行线性转换得到用户的最终特征向量,用以计算推荐商品的概率,完成推荐。本发明能够缓解会话数据稀疏性,通过将会话中商品的属性序列特征关系融入商品会话序列中,使模型能挖掘到更精准的用户偏好,提高推荐系统的关键性能。
附图说明
图1为本发明实施例一种融合自注意力机制基于图神经网络的会话推荐方法的流程示意图;
图2为本发明实施例的会话图及节点更新结构图;
图3为本发明实施例多层GRU模型结构图;
图4为本发明实施例一种融合自注意力机制基于图神经网络的会话推荐系统的结构示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
如图1所示,一种融合自注意力机制基于图神经网络的会话推荐方法,首先是使用图神经网络对商品会话序列数据建模,挖掘商品间的关系;其次使用多层GRU模型从商品属性序列中挖掘属性间转移关系;最后使用多头注意力机制在特征层进一步挖掘各个特征间相互关系,并将其划分为长期偏好和短期偏好,赋予不同的注意力权重后通过线性变换得到用户的最终特征向量,用以生成推荐;具体包括:
步骤1:将商品会话序列数据根据其点击关系绘制成会话图,会话图中的节点代表商品,边代表节点间的点击关系,使用图神经网络模型更新会话图中节点的状态,学习到商品间的序列特征;
步骤2:根据会话序列的顺序关系构建对应商品属性序列,并使用门控循环单元模型学习商品属性间的序列特征;
步骤3:将两个模型输出的特征向量利用神经网络模型进行融合,再利用多头注意力机制在特征层进一步挖掘各个特征间相互关系,最后,利用软注意力机制学习用户的长期偏好,再结合短期偏好利用线性变换得到用户最终特征向量,用以生成推荐商品。
进一步地,所述步骤1包括:
将所有会话中全部且唯一的N个电商商品表示为I=(I1,I2,...,IN),令S=(s1,s2,…,sM)表示数据中M个会话序列,并将一个会话序列表示为s=(I1,I2,…,Im),其中,s∈S,且商品Ii∈I,1≤i≤m,1≤m≤N。首先将会话序列s=(I1,I2,…,Im)根据点击顺序构建成会画图G=(v,e),其中图中的节点vi代表序列中的商品Ii,边e表示节点间的转移关系,如边e=(vi,vi+1)表示用户在点击了vi后又点击了vi+1,在模型中将边关系映射成邻接矩阵A,矩阵包含入度矩阵Ain和出度矩阵Aout。将节点嵌入到一个统一的空间,表示为嵌入向量使用图神经网络更新节点,更新的过程和GRU模型类似,节点更新的步骤为:
公式(1)通过节点的入度值、出度值聚合其邻居节点的特征信息,其中是聚合信息后节点的状态向量,As,i:表示该节点的出度值和入度值,是t-1时刻所有结点特征向量的拼接矩阵,H是权重控制项,b是偏置项。公式(2)和公式(3)分别得到更新门和重置门其中,σ(·)是sigmoid函数,将连续值映射到(0,1)之间,Wz∈Rd和Uz∈Rd是更新门下分别控制和的权重向量,d表示维度,Wr∈Rd和Ur∈Rd是重置门下分别控制和的权重向量。公式(4)中候选隐藏状态由节点状态和t-1时刻节点状态组成,在这里,重置门作用是过滤掉t-1时刻节点状态与当前节点状态无关的部分,其中,tanh(.)表示双曲正切函数,参数Wo和Uo分别是控制和的权重向量,.是点乘运算。公式(5)中使用更新门决定从候选隐藏状态中留下多少信息,使用决定从t-1时刻节点状态中留下多少信息,并输出节点的最终状态向量
具体地,会话图及节点更新结构图如图2所示。
具体地,步骤2包括:
本发明使用的商品属性是种类,令f=(f1,f2,…,fm)表示会话序列s=(I1,I2,…,Im)中商品的种类序列,嵌入到嵌入层后得到其向量形式C=(c1,c2,...,cm)。GRU模型有两个输入,即当前输入的属性向量ci和上一时刻GRU模型输出的状态hi-1,通过两个门控机制更新门和重置门控制信息。具体的计算过程如下:
根据当前输入ci和上一时刻ti-1的状态hi-1计算更新门zi和重置门ri,sigmoid激活函数将更新门和重置门的值映射到(0,1)区间:
zi=sigmoid(Wzci+Uzhi-1) (6)
ri=sigmoid(Wrci+Urhi-1) (7)
其中,参数Wz∈Rd,Uz∈Rd,Wr∈Rd,Uz∈Rd。
得到门控信号后,使用重置门将上一时刻的状态重置并和当前输入拼接,再经过tanh函数将值映射到[-1,1]之间,得到当前时刻的候选状态
其中,和分别是控制ci和(ri·hi-1)的权重向量,.是点乘运算。
GRU相较于长短期记忆模型的优点之一是可以使用一个更新门同时做到遗忘和选择,zi从候选状态中有选择的保留重要部分,(1-zi)相当于遗忘门,决定从上一时刻状态hi-1中遗忘的部分。当前输入的最终状态为:
将每一时刻GRU模型的输出,即属性序列中每个属性的最终状态进行拼接,得到商品属性序列的状态矩阵Ha=[h1,h2,...,hm],其中hi代表属性ci的最终状态。
具体地,本发明采用的多层GRU模型结构如图3所示。
具体地,所述步骤3包括:
将图神经网络输出的节点特征表示为并和属性特征Ha=[h1,h2,...,hm]拼接,使用全连接层将其融合,计算公式为:
其中,W1∈R2d*d是全连接层下的权重矩阵,b1∈Rd是偏置项,O∈Rm*d是节点特征和属性特征融合得到的商品属性特征矩阵。
为了能够在特征层捕获用户偏好,本发明使用多头注意力机制,根据头的个数heads划分出多个子空间,在每个子空间中对特征矩阵O进行注意力计算,再将多个输出合并起来,注意力层的输出包含有不同子空间中的编码表示信息,同时增强了模型的表达能力。首先,基于特征矩阵,使用线性变换得到heads个子空间的注意力层的输入Q,K,V,Q,K,V∈Rheads*m*d:
其中,和是进行线性变换的权重矩阵。
将Q,K,V划分到heads个子空间后,使用缩放点积注意力(scaled dot-productattention)计算得到特征在编码过程中的注意力权重,公式定义为:
其中,h∈Rheads*m*d。
多头注意力机制将进行了heads次注意力计算的结果在全连接层进行融合,计算公式如下:
M=W2h+b2 (15)
其中,W2∈R(d*heads)*d全连接层下使用的权重矩阵,b2是偏置项,M∈Rm*d是heads次注意力计算结果融合后得到的特征矩阵。
为了更准确的挖掘到用户的偏好,将特征矩阵M=(M1,M2,…,Mm)作为用户的长期偏好,将特征矩阵中最后一个特征向量Mm作为短期偏好,表示为Mshort=Mm。长期偏好中每个特征的重要性不同,使用软注意力机制(Soft-attention Mechanism)为每个特征分配权重:
其中,atti是特征Mi的权重,q是权重向量,Mlong∈Rd是长期偏好向量。
在一个会话序列中长期偏好和短期偏好的重要性是动态变化的,且取决于上下文,在本发明中,将商品的属性特征作为动态衡量其重要程度的关键因素,取商品属性向量平均值,使每个商品属性同等重要:
取特征矩阵M中当前特征Mi、长期偏好、短期偏好和商品属性向量平均值Ha共同作为决定长短期偏好重要性的因素,并在全连接层将其融合成用户偏好向量Hs:
ai=softmax(W3Mi+W4Mlong+W5Mshort+W6Ha+b2) (19)
Hs=W7[aiMlong;(1-ai)Mshort] (20)
其中,ai是注意力权重,参数W3,W4,W5,W6分别是作用于Mi,Mlong,Mshort,Ha的权重向量,W7∈R2d*d是全连接层下融合长期偏好和短期偏好使用的权重矩阵。
基于会话的推荐目标是预测用户的下一个点击项,通过用户偏好向量和所有商品的嵌入向量做点积计算出每个商品的推荐分数,并使用softmax方法将该推荐分数转化成概率。
其中,权重ai决定长期偏好的重要性,(1-ai)决定短期偏好的重要性,[;]表示对长期偏好和短期偏好进行拼接,y′是模型预测的商品成为下一个点击项的概率,从中选出概率最大的前N个商品推荐给用户。
在模型训练过程中,选择交叉熵损失函数作为模型训练的损失函数:
在上述实施例地基础上,如图4所示,本发明另一方面提出一种融合自注意力机制基于图神经网络的会话推荐系统,包括:
第一特征提取模块,用于将商品会话序列数据根据其点击关系绘制成会话图,会话图中的节点代表商品,边代表节点间的点击关系,使用图神经网络模型更新会话图中节点的状态,学习到商品间的序列特征;
第二特征提取模块,用于根据会话序列的顺序关系构建对应商品属性序列,并使用门控循环单元模型学习商品属性间的序列特征;
特征融合模块,用于将两个模型输出的特征向量利用神经网络模型进行融合,再利用多头注意力机制在特征层进一步挖掘各个特征间相互关系,最后,利用软注意力机制学习用户的长期偏好,再结合短期偏好利用线性变换得到用户最终特征向量,用以生成推荐商品。
进一步地,所第一特征提取模块中,按照如下方式更新会话图中节点的状态:
其中,是t时刻聚合信息后节点vi的状态向量;As,i:表示节点vi的邻接矩阵,邻接矩阵包含出度值和入度值;是t-1时刻所有节点特征向量的拼接矩阵,表示t-1时刻节点vi的状态,H是权重控制项,b是偏置项;表示t时刻节点vi的更新门;表示t时刻节点vi的重置门;S=(s1,s2,...,sM)表示会话中M个会话序列,一个会话序列表示为s=(I1,I2,…,Im),其中s∈S,且商品Ii∈I,I=(I1,I2,...,IN)表示会话中的N个不重复的电商商品;σ(·)是sigmoid函数,将连续值映射到(0,1)之间;表示t时刻节点vi的候选隐藏状态;表示输出节点的最终状态向量;Wz∈Rd和Uz∈Rd是更新门下分别控制和的权重向量,Wr∈Rd和Ur∈Rd是重置门下分别控制和的权重向量,d表示维度,参数Wo和Uo分别是控制和的权重向量;.是点乘运算;tanh(.)表示双曲正切函数。
进一步地,所述第二特征提取模块具体用于:
首先,根据当前输入的商品属性向量ci和上一时刻ti-1的状态hi-1计算更新门zi和重置门ri,其中,sigmoid激活函数将更新门和重置门的值映射到(0,1)区间:
zi=sigmoid(Wzci+Uzhi-1) (6)
ri=sigmoid(Wrci+Urhi-1) (7)
其次,得到门控信号后,使用重置门将上一时刻的状态重置,并和当前输入拼接,再经过tanh函数将值映射到[-1,1]之间,得到当前时刻属性ci的候选状态
其中,和分别是控制ci和(ri·hi-1)的权重向量;
然后,利用更新门得到当前输入ci的最终状态为:
最后,将每一时刻GRU模型的输出,即商品属性序列中每个商品属性的最终状态进行拼接,得到商品属性序列的状态矩阵Ha=[h1,h2,...,hm],其中hi代表属性ci的最终状态,所述商品的属性为商品种类。
进一步地,所述特征融合模块具体用于:
将图神经网络输出的节点特征矩阵和GRU模型输出的商品属性特征矩阵拼接,使用全连接层将其融合,计算公式为:
其中,W1∈R2d*d是全连接层下的权重矩阵,b1∈Rd是偏置项,O∈Rm*d是节点特征矩阵和商品属性特征矩阵融合得到的特征矩阵;
使用多头注意力机制,根据头的个数heads划分出多个子空间,在每个子空间中对特征矩阵O进行注意力计算后,再将多个输出合并起来:首先,基于特征矩阵,使用线性变换得到heads个子空间的注意力层的输入Q,K,V,Q,K,V∈Rheads*m*d:
其中,和是进行线性变换的权重矩阵;
将Q,K,V划分到heads个子空间后,使用缩放点积注意力计算得到特征在编码过程中对应的注意力权重矩阵h:
其中,h∈Rheads*m*d;
多头注意力机制将进行了heads次注意力计算的结果在全连接层进行融合,计算公式如下:
M=W2h+b2 (15)
其中,W2∈R(d*heads)*d全连接层下使用的权重矩阵,b2是偏置项,M∈Rm*d是heads次注意力计算结果融合后得到的特征矩阵;
将特征矩阵M=(M1,M2,…,Mm)作为用户的长期偏好,将特征矩阵中最后一个特征向量Mm作为用户的短期偏好,表示为Mshort=Mm;
使用软注意力机制为长期偏好中每个特征分配权重:
其中,atti是特征Mi的权重,q是权重向量,Mlong∈Rd是长期偏好向量;
取商品属性向量的平均值:
取特征矩阵M中的当前特征Mi、长期偏好、短期偏好和商品种类向量平均值Ha共同作为决定长短期偏好重要性的因素,并在全连接层将其融合成用户偏好向量Hs:
ai=softmax(W3Mi+W4Mlong+W5Mshort+W6Ha+b2) (19)
Hs=W7[aiMlong;(1-ai)Mshort] (20)
其中,ai是注意力权重,参数W3,W4,W5,W6分别是作用于Mi,Mlong,Mshort,Ha的权重向量,W7∈R2d*d是全连接层下融合长期偏好和短期偏好使用的权重矩阵;
通过用户偏好向量和所有商品的嵌入向量做点积,计算出每个商品的推荐分数,并使用softmax方法将该推荐分数转化成概率:
其中,权重ai决定长期偏好的重要性,(1-ai)决定短期偏好的重要性,[;]表示对长期偏好和短期偏好进行拼接,y′是模型预测的商品成为下一个点击项的概率,从中选出概率最大的前N个商品推荐给用户。
综上,本发明将会话中商品属性特征的序列关系融入会话推荐中。首先使用图神经网络对商品会话序列数据建模,挖掘商品间的转移关系;其次使用GRU模型对商品属性序列建模,捕捉属性间转移关系;最后,将两个模型的输出的特征向量拼接并利用神经网络模型进行融合,再使用多头注意力机制在特征层进一步挖掘各个特征间相互关系,然后使用软注意力机制学习用户的长期偏好,并和短期偏好拼接后进行线性转换得到用户的最终特征向量,用以计算推荐商品的概率,完成推荐。本发明能够缓解会话数据稀疏性,通过将会话中商品的属性序列特征关系融入商品会话序列中,使模型能挖掘到更精准的用户偏好,提高推荐系统的关键性能。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种融合自注意力机制基于图神经网络的会话推荐方法,其特征在于,包括:
步骤1:将商品会话序列数据根据其点击关系绘制成会话图,会话图中的节点代表商品,边代表节点间的点击关系,使用图神经网络模型更新会话图中节点的状态,学习到商品间的序列特征;
步骤2:根据会话序列的顺序关系构建对应商品属性序列,并使用门控循环单元GRU模型学习商品属性间的序列特征;
步骤3:将两个模型输出的特征向量利用神经网络模型进行融合,再利用多头注意力机制在特征层进一步挖掘各个特征间相互关系,最后,利用软注意力机制学习用户的长期偏好,再结合短期偏好利用线性变换得到用户最终特征向量,用以生成推荐商品;
所述步骤1中,按照如下方式更新会话图中节点的状态:
其中,是t时刻聚合信息后节点vi的状态向量;As,i:表示节点vi的邻接矩阵,邻接矩阵包含出度值和入度值;是t-1时刻所有节点特征向量的拼接矩阵,表示t-1时刻节点vi的状态,H是权重控制项,b是偏置项;表示t时刻节点vi的更新门;表示t时刻节点vi的重置门;S=(s1,s2,...,sM)表示会话中M个会话序列,一个会话序列表示为s=(I1,I2,…,Im),其中s∈S,且商品Ii∈I,I=(I1,I2,...,IN)表示会话中的N个不重复的电商商品;σ(·)是sigmoid函数,将连续值映射到(0,1)之间;表示t时刻节点vi的候选隐藏状态;hvi表示输出节点的最终状态向量;Wz∈Rd和Uz∈Rd是更新门下分别控制和的权重向量,Wr∈Rd和Ur∈Rd是重置门下分别控制和的权重向量,d表示维度,参数Wo和Uo分别是控制和的权重向量;.是点乘运算;tanh(.)表示双曲正切函数;
所述步骤2包括:
首先,根据当前输入的商品属性向量ci和上一时刻ti-1的状态hi-1计算更新门zi和重置门ri,其中,sigmoid激活函数将更新门和重置门的值映射到(0,1)区间:
zi=sigmoid(Wzci+Uzhi-1) (6)
ri=sigmoid(Wrci+Urhi-1) (7)
其次,得到门控信号后,使用重置门将上一时刻的状态重置,并和当前输入拼接,再经过tanh函数将值映射到[-1,1]之间,得到当前时刻属性ci的候选状态
其中,和分别是控制ci和(ri·hi-1)的权重向量;
然后,利用更新门得到当前输入ci的最终状态为:
最后,将每一时刻GRU模型的输出,即商品属性序列中每个商品属性的最终状态进行拼接,得到商品属性序列的状态矩阵Ha=[h1,h2,…,hm],其中hi代表属性ci的最终状态,所述商品的属性为商品种类;
所述步骤3包括:
将图神经网络输出的节点特征矩阵和GRU模型输出的商品属性特征矩阵拼接,使用全连接层将其融合,计算公式为:
其中,W1∈R2d*d是全连接层下的权重矩阵,b1∈Rd是偏置项,O∈Rm*d是节点特征矩阵和商品属性特征矩阵融合得到的特征矩阵;
使用多头注意力机制,根据头的个数heads划分出多个子空间,在每个子空间中对特征矩阵O进行注意力计算后,再将多个输出合并起来:首先,基于特征矩阵,使用线性变换得到heads个子空间的注意力层的输入Q,K,V,Q,K,V∈Rheads*m*d:
Q=Wi QO (11)
K=Wi KO (12)
V=Wi VO (13)
其中,Wi Q,Wi K和Wi V是进行线性变换的权重矩阵;
将Q,K,V划分到heads个子空间后,使用缩放点积注意力计算得到特征在编码过程中对应的注意力权重矩阵h:
其中,h∈Rheads*m*d;
多头注意力机制将进行了heads次注意力计算的结果在全连接层进行融合,计算公式如下:
M=W2h+b2 (15)
其中,W2∈R(d*heads)*d全连接层下使用的权重矩阵,b2是偏置项,M∈Rm*d是heads次注意力计算结果融合后得到的特征矩阵;
将特征矩阵M=(M1,M2,…,Mm)作为用户的长期偏好,将特征矩阵中最后一个特征向量Mm作为用户的短期偏好,表示为Mshort=Mm;
使用软注意力机制为长期偏好中每个特征分配权重:
其中,atti是特征Mi的权重,q是权重向量,Mlong∈Rd是长期偏好向量;
取商品属性向量的平均值:
取特征矩阵M中的当前特征Mi、长期偏好、短期偏好和商品种类向量平均值Ha共同作为决定长短期偏好重要性的因素,并在全连接层将其融合成用户偏好向量Hs:
ai=softmax(W3Mi+W4Mlong+W5Mshort+W6Ha+b2) (19)
Hs=W7[aiMlong;(1-ai)Mshort] (20)
其中,ai是注意力权重,参数W3,W4,W5,W6分别是作用于Mi,Mlong,Mshort,Ha的权重向量,W7∈R2d*d是全连接层下融合长期偏好和短期偏好使用的权重矩阵;
通过用户偏好向量和做点积,计算出每个商品的推荐分数,并使用softmax方法将该推荐分数转化成概率:
其中,权重ai决定长期偏好的重要性,(1-ai)决定短期偏好的重要性,[;]表示对长期偏好和短期偏好进行拼接,y′是模型预测的商品成为下一个点击项的概率,从中选出概率最大的前N个商品推荐给用户。
2.基于权利要求1所述会话推荐方法的一种融合自注意力机制基于图神经网络的会话推荐系统,其特征在于,包括:
第一特征提取模块,用于将商品会话序列数据根据其点击关系绘制成会话图,会话图中的节点代表商品,边代表节点间的点击关系,使用图神经网络模型更新会话图中节点的状态,学习到商品间的序列特征;
第二特征提取模块,用于根据会话序列的顺序关系构建对应商品属性序列,并使用门控循环单元GRU模型学习商品属性间的序列特征;
特征融合模块,用于将两个模型输出的特征向量利用神经网络模型进行融合,再利用多头注意力机制在特征层进一步挖掘各个特征间相互关系,最后,利用软注意力机制学习用户的长期偏好,再结合短期偏好利用线性变换得到用户最终特征向量,用以生成推荐商品。
3.根据权利要求2所述的一种融合自注意力机制基于图神经网络的会话推荐系统,其特征在于,所第一特征提取模块中,按照如下方式更新会话图中节点的状态:
其中,是t时刻聚合信息后节点vi的状态向量;As,i:表示节点vi的邻接矩阵,邻接矩阵包含出度值和入度值;是t-1时刻所有节点特征向量的拼接矩阵,表示t-1时刻节点vi的状态,H是权重控制项,b是偏置项;表示t时刻节点vi的更新门;表示t时刻节点vi的重置门;S=(s1,s2,...,sM)表示会话中M个会话序列,一个会话序列表示为s=(I1,I2,…,Im),其中s∈S,且商品Ii∈I,I=(I1,I2,...,IN)表示会话中的N个不重复的电商商品;σ(·)是sigmoid函数,将连续值映射到(0,1)之间;表示t时刻节点vi的候选隐藏状态;表示输出节点的最终状态向量;Wz∈Rd和Uz∈Rd是更新门下分别控制和的权重向量,Wr∈Rd和Ur∈Rd是重置门下分别控制和的权重向量,d表示维度,参数Wo和Uo分别是控制和的权重向量;.是点乘运算;tanh(.)表示双曲正切函数。
4.根据权利要求3所述的一种融合自注意力机制基于图神经网络的会话推荐系统,其特征在于,所述第二特征提取模块具体用于:
首先,根据当前输入的商品属性向量ci和上一时刻ti-1的状态hi-1计算更新门zi和重置门ri,其中,sigmoid激活函数将更新门和重置门的值映射到(0,1)区间:
zi=sigmoid(Wzci+Uzhi-1) (6)
ri=sigmoid(Wrci+Urhi-1) (7)
其次,得到门控信号后,使用重置门将上一时刻的状态重置,并和当前输入拼接,再经过tanh函数将值映射到[-1,1]之间,得到当前时刻属性ci的候选状态
其中,和分别是控制ci和(ri·hi-1)的权重向量;
然后,利用更新门得到当前输入ci的最终状态为:
最后,将每一时刻GRU模型的输出,即商品属性序列中每个商品属性的最终状态进行拼接,得到商品属性序列的状态矩阵Ha=[h1,h2,…,hm],其中hi代表属性ci的最终状态,所述商品的属性为商品种类。
5.根据权利要求4所述的一种融合自注意力机制基于图神经网络的会话推荐系统,其特征在于,所述特征融合模块具体用于:
将图神经网络输出的节点特征矩阵和GRU模型输出的商品属性特征矩阵拼接,使用全连接层将其融合,计算公式为:
其中,W1∈R2d*d是全连接层下的权重矩阵,b1∈Rd是偏置项,O∈Rm*d是节点特征矩阵和商品属性特征矩阵融合得到的特征矩阵;
使用多头注意力机制,根据头的个数heads划分出多个子空间,在每个子空间中对特征矩阵O进行注意力计算后,再将多个输出合并起来:首先,基于特征矩阵,使用线性变换得到heads个子空间的注意力层的输入Q,K,V,Q,K,V∈Rheads*m*d:
Q=Wi QO (11)
K=Wi KO (12)
V=Wi VO (13)
其中,Wi Q,Wi K和Wi V是进行线性变换的权重矩阵;
将Q,K,V划分到heads个子空间后,使用缩放点积注意力计算得到特征在编码过程中对应的注意力权重矩阵h:
其中,h∈Rheads*m*d;
多头注意力机制将进行了heads次注意力计算的结果在全连接层进行融合,计算公式如下:
M=W2h+b2 (15)
其中,W2∈R(d*heads)*d全连接层下使用的权重矩阵,b2是偏置项,M∈Rm*d是heads次注意力计算结果融合后得到的特征矩阵;
将特征矩阵M=(M1,M2,…,Mm)作为用户的长期偏好,将特征矩阵中最后一个特征向量Mm作为用户的短期偏好,表示为Mshort=Mm;
使用软注意力机制为长期偏好中每个特征分配权重:
其中,atti是特征Mi的权重,q是权重向量,Mlong∈Rd是长期偏好向量;
取商品属性向量的平均值:
取特征矩阵M中的当前特征Mi、长期偏好、短期偏好和商品种类向量平均值Ha共同作为决定长短期偏好重要性的因素,并在全连接层将其融合成用户偏好向量Hs:
ai=softmax(W3Mi+W4Mlong+W5Mshort+W6Ha+b2) (19)
Hs=W7[aiMlong;(1-ai)Mshort] (20)
其中,ai是注意力权重,参数W3,W4,W5,W6分别是作用于Mi,Mlong,Mshort,Ha的权重向量,W7∈R2d*d是全连接层下融合长期偏好和短期偏好使用的权重矩阵;
通过用户偏好向量和做点积,计算出每个商品的推荐分数,并使用softmax方法将该推荐分数转化成概率:
其中,权重ai决定长期偏好的重要性,(1-ai)决定短期偏好的重要性,[;]表示对长期偏好和短期偏好进行拼接,y′是模型预测的商品成为下一个点击项的概率,从中选出概率最大的前N个商品推荐给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210558939.4A CN114971784B (zh) | 2022-05-21 | 2022-05-21 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210558939.4A CN114971784B (zh) | 2022-05-21 | 2022-05-21 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114971784A CN114971784A (zh) | 2022-08-30 |
CN114971784B true CN114971784B (zh) | 2024-05-14 |
Family
ID=82985568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210558939.4A Active CN114971784B (zh) | 2022-05-21 | 2022-05-21 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971784B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342228B (zh) * | 2023-05-18 | 2023-10-20 | 云筑信息科技(成都)有限公司 | 一种基于有向图神经网络的相关推荐的方法 |
CN117763492B (zh) * | 2023-12-04 | 2024-06-11 | 淮阴工学院 | 基于时序空间特征和偏好波动的网络安全工具智能推荐方法及装置 |
CN118134606B (zh) * | 2024-05-06 | 2024-07-23 | 烟台大学 | 基于用户偏好的服务推荐方法、系统、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115352A (zh) * | 2020-08-28 | 2020-12-22 | 齐鲁工业大学 | 基于用户兴趣的会话推荐方法及系统 |
CN112150210A (zh) * | 2020-06-19 | 2020-12-29 | 南京理工大学 | 一种基于ggnn网络的改进型神经网络推荐方法及系统 |
CN113850656A (zh) * | 2021-11-15 | 2021-12-28 | 内蒙古工业大学 | 一种融合多模态数据基于注意力感知的个性化服装推荐方法及系统 |
CN114492763A (zh) * | 2022-02-16 | 2022-05-13 | 辽宁工程技术大学 | 一种融合全局上下文信息注意力增强的图神经网络方法 |
CN114519145A (zh) * | 2022-02-22 | 2022-05-20 | 哈尔滨工程大学 | 一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法 |
-
2022
- 2022-05-21 CN CN202210558939.4A patent/CN114971784B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150210A (zh) * | 2020-06-19 | 2020-12-29 | 南京理工大学 | 一种基于ggnn网络的改进型神经网络推荐方法及系统 |
CN112115352A (zh) * | 2020-08-28 | 2020-12-22 | 齐鲁工业大学 | 基于用户兴趣的会话推荐方法及系统 |
CN113850656A (zh) * | 2021-11-15 | 2021-12-28 | 内蒙古工业大学 | 一种融合多模态数据基于注意力感知的个性化服装推荐方法及系统 |
CN114492763A (zh) * | 2022-02-16 | 2022-05-13 | 辽宁工程技术大学 | 一种融合全局上下文信息注意力增强的图神经网络方法 |
CN114519145A (zh) * | 2022-02-22 | 2022-05-20 | 哈尔滨工程大学 | 一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法 |
Non-Patent Citations (6)
Title |
---|
Session-based Recommendation with Graph Neural Networks;Shu Wu等;《arxiv》;20181115;全文 * |
基于图神经网络和时间注意力的会话序列推荐;孙鑫等;《计算机工程与设计》;20201031;第41卷(第10期);全文 * |
基于多模态融合的推荐算法;陆杨思旖;《中国优秀硕士学位论文全文数据库信息科技辑》;20220215;全文 * |
基于深度学习的商品推荐系统技术研究;武晓丽;《中国优秀硕士学位论文全文数据库信息科技辑》;20211215;全文 * |
基于深度学习的序列化推荐算法研究;蒋仕艺;《中国优秀硕士学位论文全文数据库信息科技辑》;20220215;全文 * |
融合主题信息和卷积神经网络的混合推荐算法;田保军等;《计算机应用》;20200710;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114971784A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN112364976B (zh) | 基于会话推荐系统的用户偏好预测方法 | |
CN109785062B (zh) | 一种基于协同过滤模型的混合神经网络推荐系统 | |
CN111523047A (zh) | 基于图神经网络的多关系协同过滤算法 | |
CN108648049A (zh) | 一种基于用户行为区别建模的序列推荐方法 | |
CN114817663B (zh) | 一种基于类别感知图神经网络的服务建模与推荐方法 | |
CN114117220A (zh) | 基于知识增强的深度强化学习交互式推荐系统及方法 | |
CN111222332A (zh) | 一种结合注意力网络和用户情感的商品推荐方法 | |
CN112765480B (zh) | 一种信息推送方法、装置及计算机可读存储介质 | |
CN113590900A (zh) | 一种融合动态知识图谱的序列推荐方法 | |
CN112115377A (zh) | 一种基于社交关系的图神经网络链路预测推荐方法 | |
CN109344992B (zh) | 一种融合时空因素的智能家居用户操控行为习惯建模方法 | |
CN110737730B (zh) | 基于无监督学习的用户分类方法、装置、设备及存储介质 | |
CN115270007B (zh) | 一种基于混合图神经网络的poi推荐方法及系统 | |
CN115470406A (zh) | 一种基于双通道信息融合的图神经网络会话推荐方法 | |
CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
CN115017405B (zh) | 一种基于多任务自编码的图神经网络旅游包推荐方法 | |
CN116662532A (zh) | 一种基于图神经网络的神经时间门自适应融合会话推荐方法 | |
CN117994011B (zh) | 基于记忆更新与邻居传递的电商动态感知数据推荐方法 | |
CN116051175A (zh) | 基于深度多兴趣网络的点击率预测模型及预测方法 | |
CN114238765B (zh) | 一种基于区块链的位置注意力推荐方法 | |
CN117635238A (zh) | 一种商品推荐方法、装置、设备及存储介质 | |
CN117495481A (zh) | 一种基于异构时序图关注度网络的物品推荐方法 | |
CN111967946B (zh) | 一种基于面向用户多关系信息网络的商品推荐方法及系统 |
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 |