CN115600609B - 一种基于项目表示增强的会话推荐方法、存储介质及装置 - Google Patents
一种基于项目表示增强的会话推荐方法、存储介质及装置 Download PDFInfo
- Publication number
- CN115600609B CN115600609B CN202211323721.7A CN202211323721A CN115600609B CN 115600609 B CN115600609 B CN 115600609B CN 202211323721 A CN202211323721 A CN 202211323721A CN 115600609 B CN115600609 B CN 115600609B
- Authority
- CN
- China
- Prior art keywords
- session
- item
- project
- representation
- vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于项目表示增强的会话推荐方法、存储介质及装置,所述方法包括以下步骤:(1)预处理会话数据;(2)根据预处理后的会话数据构造项目转移图,其中项目转移图为有向图;(3)基于注意力机制的图神经网络模型学习项目向量表示,得到全部的项目向量嵌入表示矩阵;(4)提取当前会话中涉及的项目向量表示,基于神经网络的会话推荐模型学习用户兴趣偏好表示,然后向用户推荐项目;本发明可以有效地利用全局项目转移知识,从而可以学习到丰富的项目向量表示;整体提升了会话推荐任务的性能,具有良好的使用性。
Description
技术领域
本发明涉及一种信息处理及会话推荐领域,尤其涉及一种基于项目表示增强的会话推荐方法、存储介质及装置。
背景技术
会话推荐任务是在给定同一会话中的历史交互行为的情况下预测下一个行为,其中会话是在时间上非常接近的一系列行为。现有的会话推荐任务方法首先将项目随机初始化为低维向量,然后在训练会话推荐模型时同时训练项目向量表示。这种项目表示方法虽然比较简单实用,但这种方法一方面并没有充分挖掘交互数据之间的关系,使得模型在一开始训练的时候充满不确定性,影响模型的训练效率;另一方面,随机初始化项目向量,没有结合具体业务场景,使得模型在利用数据训练时效率低下。
发明内容
发明目的:本发明的目的是提供了一种基于项目表示增强的会话推荐方法、存储介质及装置以解决上述技术背景中存在的问题。
技术方案:本发明所述的一种基于项目表示增强的会话推荐方法,包括以下步骤:
(1)预处理会话数据;
(2)根据预处理后的会话数据构造项目转移图,其中项目转移图为有向图;
(3)基于注意力机制的图神经网络模型学习项目向量表示,得到全部的项目向量嵌入表示矩阵阵;其中,项目向量嵌入表示矩阵为N*d,其中N是指所有项目的个数,d为项目向量表示的维度;
(4)提取当前会话中涉及的项目向量表示矩阵,基于神经网络的会话推荐模型学习用户兴趣偏好表示,然后向用户推荐项目。
进一步的,所述步骤(1)包括以下步骤:
(11)将每个会话序列由用户点击过的项目按照时间排序组成,当会话中的项目个数为1时,删除该会话;
(12)统计每个项目在全部会话中出现的次数,出现次数小于5的项目删除;
(13)重新对项目进行编号,得到预处理后的会话序列。
进一步的,所述步骤(3)基于注意力机制的图神经网络模型包括:若干层和一个softmax层,其中,每一层的结构包括:旧节点、聚合信息层和Attention层。
进一步的,所述步骤(4)包括以下步骤:
(41)根据当前会话中涉及的项目,在项目向量嵌入表示矩阵中查询对应的项目向量嵌入表示;
(42)将得到的项目向量嵌入表示,输入到基于神经网络的会话推荐模型中得到用户兴趣偏好向量表示;其中,将训练数据的推荐项目与训练数据的真实点击项目进行比较,计算交叉熵损失,并通过反向传播算法迭代调整会话推荐模型的参数,得到最优的会话推荐模型;
(43)将用户兴趣偏好向量表示与项目向量嵌入表示矩阵相乘,得到用户在该会话中下一次点击的每一个项目的概率,将概率降序排列得到候选推荐项目。
进一步的,所述步骤(42)具体为:将训练数据的推荐项目与训练数据的真实点击项目进行比较,计算交叉熵损失,并通过反向传播算法迭代调整会话推荐模型的参数,得到最优的会话推荐模型。
本发明还提供一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述方法。
本发明还提供一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述方法。
有益效果:与现有技术相比,本发明具有如下显著优点:可以有效地利用全局项目转移知识,从而可以学习到丰富的项目向量表示;整体提升了会话推荐任务的性能,具有良好的使用性。
附图说明
图1为本发明的示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,本发明实施例所述的一种基于项目表示增强的会话推荐方法,包括以下步骤:
(1)预处理会话数据,包括以下步骤:
(11)将每个会话序列由用户点击过的项目按照时间排序组成,当会话中的项目个数为1时,删除该会话;
(12)统计每个项目在全部会话中出现的次数,出现次数小于5的项目删除;
(13)重新对项目进行编号,得到预处理后的会话序列。
(2)根据预处理后的会话数据构造项目转移图,其中,项目转移图为有向图;具体为:在全局项目转移图G中,节点由会话中的所有项目组成,边集由项目-项目边组成,项目-项目边表示项目转移关系,若在会话中存在从项目i到项目j的直接转移,则项目-项目边(i,j)∈G;其中直接转移为用户在某个会话中点击项目i之后点击了项目j,则项目i和项目j之间存在项目转移关系,存在一条边由项目i指向项目j。
(3)基于注意力机制的图神经网络模型学习项目向量表示,得到项目向量嵌入表示矩阵;其中,项目向量嵌入表示矩阵为N*d,其中N是指所有项目的个数,d为项目向量表示的维度;基于注意力机制的图神经网络模型包括:若干层和一个softmax层,其中,每一层的结构包括:旧节点、聚合信息层和Attention层;具体为:基于注意力机制构建了一个M层的图神经网络,Hm[i]是节点i在m层的向量表示,其中i代表一个项目,项目节点i在m层的向量表示公式如下:
表示来自邻节点N(i)的聚合信息,若有一条边(j,i)指向i,则j属于N(i);和/>为可学习参数;
来自节点i邻节点的聚合信息计算如下:
和/>是为学习参数;
Attentionm(j,i)=Softmax(Importancem(j,i)) (3)
Importancem(j,i)=(qm)T*sigmod{W(Hm-1[j]||Hm-1[i])} (4)
经过学习后,项目的向量表示得到了更新,得到一个项目向量嵌入表示矩阵。
(4)提取当前会话中涉及的项目向量表示矩阵,基于神经网络的会话推荐模型学习用户兴趣偏好表示,然后向用户推荐项目,包括以下步骤:
(41)根据当前会话中涉及的项目,在项目向量嵌入表示矩阵中查询对应的项目向量嵌入表示;
(42)将得到的项目向量嵌入表示,输入到基于神经网络的会话推荐模型中得到用户兴趣偏好向量表示;其中,将训练数据的推荐项目与训练数据的真实点击项目进行比较,计算交叉熵损失,并通过反向传播算法迭代调整会话推荐模型的参数,得到最优的会话推荐模型。
(43)将用户兴趣偏好向量表示与项目向量嵌入表示矩阵相乘,得到用户在该会话中下一次点击的每一个项目的概率,将概率降序排列得到候选推荐项目。
本发明实施例还提供一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述方法。
本发明实施例还提供一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述方法。
Claims (3)
1.一种基于项目表示增强的会话推荐方法,其特征在于,包括以下步骤:
(1)预处理会话数据;包括以下步骤:
(11)将每个会话序列由用户点击过的项目按照时间排序组成,当会话中的项目个数为1时,删除该会话;
(12)统计每个项目在全部会话中出现的次数,出现次数小于5的项目删除;
(13)重新对项目进行编号,得到预处理后的会话数据;
(2)根据预处理后的会话数据构造项目转移图,其中项目转移图为有向图;具体为:
针对每一条会话数据,把会话中的项目作为项目转移图中的节点,会话中项目的转移关系作为项目转移图的边,构造项目转移图;
(3)基于注意力机制的图神经网络模型学习项目向量表示,得到项目向量嵌入表示矩阵;其中,项目向量嵌入表示矩阵为N*d,其中N是指所有项目的个数,d为项目向量表示的维度;基于注意力机制的图神经网络模型包括:若干层和一个softmax层,其中,每一层的结构包括:旧节点、聚合信息层和Attention层;具体为:基于注意力机制构建了一个M层的图神经网络,Hm[i]是节点i在m层的向量表示,其中i代表一个项目,项目节点i在m层的向量表示公式如下:
表示来自邻节点N(i)的聚合信息,若有一条边(j,i)指向i,则j属于N(i);/>和为可学习参数;
来自节点i邻节点的聚合信息计算如下:
和/>是为学习参数;
Attentionm(j,i)=Softmax(Importancem(j,i)) (3)
Importancem(j,i)=(qm)T*sigmod{W(Hm-1[j]||Hm-1[i])}(4)
经过学习后,项目的向量表示得到了更新,得到一个项目向量嵌入表示矩阵;
(4)提取当前会话中涉及的项目向量表示矩阵,基于神经网络的会话推荐模型学习用户兴趣偏好表示,然后向用户推荐项目;包括以下步骤:
(41)根据当前会话中涉及的项目,在项目向量嵌入表示矩阵中查询对应的项目向量嵌入表示;
(42)将得到的项目向量嵌入表示,输入到基于神经网络的会话推荐模型中得到用户兴趣偏好向量表示;其中,将训练数据的推荐项目与训练数据的真实点击项目进行比较,计算交叉熵损失,并通过反向传播算法迭代调整会话推荐模型的参数,得到最优的会话推荐模型;
(43)将用户兴趣偏好向量表示与项目向量嵌入表示矩阵相乘,得到用户在该会话中下一次点击的每一个项目的概率,将概率降序排列得到候选推荐项目。
2.一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1中任一所述方法。
3.一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行如权利要求1中任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211323721.7A CN115600609B (zh) | 2022-10-27 | 2022-10-27 | 一种基于项目表示增强的会话推荐方法、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211323721.7A CN115600609B (zh) | 2022-10-27 | 2022-10-27 | 一种基于项目表示增强的会话推荐方法、存储介质及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115600609A CN115600609A (zh) | 2023-01-13 |
CN115600609B true CN115600609B (zh) | 2024-05-14 |
Family
ID=84851246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211323721.7A Active CN115600609B (zh) | 2022-10-27 | 2022-10-27 | 一种基于项目表示增强的会话推荐方法、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115600609B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125537A (zh) * | 2019-12-31 | 2020-05-08 | 中国计量大学 | 一种基于图表征的会话推荐方法 |
CN112733018A (zh) * | 2020-12-31 | 2021-04-30 | 哈尔滨工程大学 | 一种基于图神经网络gnn和多任务学习的会话推荐方法 |
CN113487018A (zh) * | 2021-07-28 | 2021-10-08 | 辽宁工程技术大学 | 一种基于会话推荐的全局上下文增强图神经网络方法 |
CN114116995A (zh) * | 2021-10-11 | 2022-03-01 | 上海交通大学 | 基于增强图神经网络的会话推荐方法、系统及介质 |
-
2022
- 2022-10-27 CN CN202211323721.7A patent/CN115600609B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125537A (zh) * | 2019-12-31 | 2020-05-08 | 中国计量大学 | 一种基于图表征的会话推荐方法 |
CN112733018A (zh) * | 2020-12-31 | 2021-04-30 | 哈尔滨工程大学 | 一种基于图神经网络gnn和多任务学习的会话推荐方法 |
CN113487018A (zh) * | 2021-07-28 | 2021-10-08 | 辽宁工程技术大学 | 一种基于会话推荐的全局上下文增强图神经网络方法 |
CN114116995A (zh) * | 2021-10-11 | 2022-03-01 | 上海交通大学 | 基于增强图神经网络的会话推荐方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115600609A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Session-based recommendation with graph neural networks | |
CN112364976B (zh) | 基于会话推荐系统的用户偏好预测方法 | |
Matthews et al. | Web usage mining with evolutionary extraction of temporal fuzzy association rules | |
CN110796313B (zh) | 一种基于带权图卷积和项目吸引力模型的会话推荐方法 | |
Zhang et al. | STR-SA: Session-based thread recommendation for online course forum with self-attention | |
CN114595383A (zh) | 一种基于会话序列的海洋环境数据推荐方法及系统 | |
Mishra et al. | A review of random test case generation using genetic algorithm | |
CN113987808A (zh) | 一种特征加权贝叶斯网络的用电用户投诉预警方法 | |
CN115600609B (zh) | 一种基于项目表示增强的会话推荐方法、存储介质及装置 | |
CN114741597A (zh) | 一种基于知识增强注意力图神经网络的下一项推荐方法 | |
Nguyen et al. | Context tree maximizing | |
CN115982373A (zh) | 结合多级交互式对比学习的知识图谱推荐方法 | |
CN114117229A (zh) | 一种基于有向和无向结构信息的图神经网络的项目推荐方法 | |
Wu et al. | Learning over categorical data using counting features: with an application on click-through rate estimation | |
CN114841765A (zh) | 一种基于元路径邻域目标泛化的序列推荐方法 | |
CN113704318A (zh) | 基于频繁模式图嵌入的循环神经网络fpgnn预测行为轨迹方法 | |
Zhang | Utilizing Reinforcement Learning Bandit Algorithms in Advertising Optimization | |
Li et al. | Session-based Recommendation with Temporal Graph Neural Network and Contrastive Learning | |
CN113283589B (zh) | 事件预测系统的更新方法及装置 | |
Su et al. | AxDFM: Position Prediction System Based on the Importance of High-Order Features | |
Anari et al. | Optimizing membership functions using learning automata for fuzzy association rule mining | |
Zhang et al. | Global Context Enhanced Item Learning for Session-based Recommendation | |
Shen et al. | A Novel Recommendation Model Based on Interactive Nearest Neighbor Sessions | |
Wu et al. | SGT: Session-based Recommendation with GRU and Transformer | |
CN116362288A (zh) | 融合属性知识的图神经网络会话推荐方法 |
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 |