CN117194765A - 一种兴趣感知的双通道图对比学习会话推荐方法 - Google Patents

Abstract

本发明公开了一种兴趣感知的双通道图对比学习会话推荐方法，属于会话推荐技术领域。该方法包括构建项目集、会话集与会话；根据会话数据，构建兴趣‑项目交互超图和全局兴趣‑项目转换图；将构建的兴趣‑项目交互超图和全局兴趣‑项目转换图输入双通道兴趣‑项目嵌入学习模块；根据获得的项目嵌入聚合成为会话表示嵌入，并使用位置信息与时间信息对会话表示进行增强；使用对比学习对两个图中得到的兴趣嵌入进行增强；以及计算候选物品的推荐概率，给出损失函数。本发明通过融合位置信息和时间信息，并为不同项目分配权重，得到会话嵌入，很好地解决了会话推荐系统中的数据稀疏和噪声干扰问题，显著地提高了推荐的准确性。

Description

一种兴趣感知的双通道图对比学习会话推荐方法

技术领域

本发明提供一种兴趣感知的双通道图对比学习会话推荐方法，属于会话推荐技术领域。

背景技术

随着信息技术的飞速发展，用户每天接受的信息量急剧增加。但是，海量的信息必然伴随着大量无用的冗余信息。于是，获取有用的信息同时滤除无用的冗余信息就很有必要。推荐系统能够根据用户的兴趣，筛选出与其相匹配的信息，做出有针对性的推荐工作，因此推荐系统具有广阔的应用前景。

传统推荐系统主要基于已知的用户信息进行推荐。但由于隐私保护等原因，很多现实场景中用户信息是不可知的，因此基于会话的推荐系统逐渐兴起。该系统利用匿名用户的行为序列来预测下一个项目，并根据用户在会话中交互的项目来学习用户的偏好，为用户提供精准的个性化推荐。

在早期的工作中，会话推荐系统的方法是基于机器学习的思想提出的。早期的方法主要是利用马尔可夫链与矩阵因子分解思想，但是只能捕捉一阶依赖性，无法捕捉长期的高阶依赖。随着循环神经网络方法的流行，利用循环神经网络将会话数据建模成有序序列，对会话中项目的顺序进行建模的方法取得了较好的效果。但是会话数据的转换并非严格的时序转换，循环神经网络无法建模更加复杂的项目之间的关联。而图神经网络可将会话数据建模成图数据，因此图神经网络被广泛应用于会话推荐系统中。但是在现实场景中，一个项目的出现往往是之前一系列项目共同作用的结果，项目之间的关系不是简单的二元关系，而是更加复杂的多对多关系，如何更加准确的建模项目之间复杂的高阶关系是会话推荐系统领域一直以来的挑战。

会话推荐系统面临的另一个挑战是数据的稀疏性。在会话推荐的应用场景中，用户信息往往是匿名的，这就要求会话推荐系统通过少量的现有数据对用户的接下来行为进行预测。此外，在会话序列中，用户存在错误点击的情况，一些项目由于用户的操作失误被添加到会话中，而这不是用户的原本意图。对比学习利用辅助任务进行多方位的学习，可以部分解决数据稀疏和噪声干扰问题。而如何在会话推荐系统中选择更合适的正负样本和对比方式仍是需要研究的问题。

发明内容

本发明的目的是针对现有技术未能充分建模会话项目之间高阶关系，未能充分发掘用户的意图，以及未能很好解决会话推荐系统中的数据稀疏和噪声干扰问题，导致会话推荐系统效能较低的技术问题，创造性地提出一种兴趣感知的双通道图对比学习会话推荐(Interest-aware Dual-channel Graph Contrastive learning forsession-basedrecommendation)方法，简称IDGC方法。

本发明构建了两种不同的图结构，有侧重的收集项目之间不同方面的信息。两种不同的结构图分别是：兴趣-项目交互超图，使用超图结构挖掘项目之间更加复杂的交互关系，有效地减少项目之间的多元关系被强制转换为二元关系的过程中造成的原始信息丢失；以及全局兴趣-项目转换图，将全局的会话结合，建模相邻会话中项目的转换关系。区别于其他现有方法，在两个视图的构建过程中，本发明为每个会话都增加了兴趣节点，并将兴趣节点与对应会话中每个项目节点相连，使得不相邻的项目之间的信息可以更好地传播。

同时，本发明使用对比学习对两个视图中的兴趣嵌入进行一致性增强，使得两个视图中的信息互相补充。在融合两种视图的项目嵌入后，本发明设计位置时间感知的注意力层，通过融合位置信息和时间信息并为不同项目分配权重，进而得到会话嵌入，以此提高推荐的准确性。

为了方便阐述本发明的详细内容，首先对本发明涉及的有关概念进行定义和解释说明。

项目集，会话集与会话：定义V为所有项目的集合，即项目集，V＝{v₁,v₂,v₃,...,v_|V|}，其中|V|为项目数；定义S为所有会话的集合，即会话集，S＝{s₁,s₂,s₃,...,s_|S|}，其中|S|为项目数；每个会话表示为一个集合s，s＝[v₁,v₂,v₃,...,v_n]，n为会话的长度。

本发明采用以下技术方案实现。

一种兴趣感知的双通道图对比学习会话推荐方法，包括以下步骤：

步骤1：根据会话数据，构建兴趣-项目交互超图和全局兴趣-项目转换图。

具体地，步骤1包括以下步骤：

步骤1.1：构建兴趣-项目交互超图，定义G_h＝(V_h,U_h,E_h,W_h)，其中表示项目集V中的所有项目,/>表示每个会话添加的兴趣节点，/>表示边的集合，其中/>表示超边的集合，第i个超边/>连接了第i个会话中所有的项目，/>表示连接兴趣节点和兴趣节点对应会话中项目的无向边的集合，W_h表示超边的权重矩阵，其中/>表示超边/>的权重。此外，超图可以表示为关联矩阵C_h∈R^|V|×|S|，其中/>表示超边/>包含顶点v∈V_h，否则为0。

步骤1.2：构建全局兴趣-项目转换图，定义G_g＝(V_g,U_g,E_g)，其中表示项目集V中的所有项目，/>表示每个会话对应的兴趣节点，E_g表示边的集合，分为两种类型，一种是根据物品节点之间的交互顺序形成的有向边，另一种是连接兴趣节点和项目节点的无向边。如果在整个会话集中，用户点击v_i-1后点击v_i，则e_i＝(v_i-1→v_i)∈E_g。此外，对于每个会话，会话对应的兴趣节点使用无向边与会话中的所有项目节点相连。

步骤2：将构建的兴趣-项目交互超图和全局兴趣-项目转换图输入双通道兴趣-项目嵌入学习模块，设计两个通道分别处理两种图结构，得到两种图结构下的兴趣嵌入和项目嵌入。

具体地，步骤2包括以下步骤：

步骤2.1：设计超图项目嵌入学习模块，使用超图卷积网络对超图中的项目节点嵌入学习，具体计算公式如下：

其中，表示第l层超图卷积网络中的项目嵌入，l的范围为0到L，L为设置的超参数，C是兴趣-项目交互超图G_h的关联矩阵，/>和/>分别表示/>中超边的度矩阵和V_h中所有顶点的度矩阵。

经过堆叠多个超图卷积网络来获得高阶的信息，在最后一层输出每个项目的嵌入表示，最终得到兴趣-项目交互超图下的项目嵌入H_h。

步骤2.2：设计全局图项目嵌入学习模块，将构建的全局兴趣-项目转换图输入到门控图神经网络中，具体如下：

其中，表示第l层网络中的第i个项目嵌入，l的范围为0到L，L为设置的超参数，是门控图神经网络中的更新门，/>是门控图神经网络中的重置门；A_s为邻接矩阵，U₁,U₂,U₃,U₄和W₁,W₂,W₃控制权重，b₁为可训练参数，/>为计算过程中的中间量，⊙表示元素积，tanh表示双曲正切函数，σ表示sigmod函数，T表示转置操作。

通过全局图项目嵌入学习模块，最终得到全局兴趣-项目转换图下的项目嵌入H_g。

步骤2.3：对兴趣节点进行初始化。兴趣节点代表一个会话表现出的兴趣偏好，所以使用类似于会话聚合的方法对兴趣节点进行初始化。以兴趣-项目交互超图为例，对于每个会话s＝[v₁,v₂,v₃,...,v_n]，设在兴趣-项目交互超图中s对应的兴趣节点为u^h，具体如下：

其中h_i ^h表示第i个项目在兴趣-项目交互超图下的项目嵌入，α_i表示注意力分数，u^h′和u^h″为计算过程中的中间量，n表示会话的长度，W₄,W₅∈R^d×d和q₁,b₂∈R^d均为可学习参数，T表示转置操作。

类似地，得到每个会话对应的兴趣节点在全局兴趣-项目转换图中的初始化嵌入u^g。

步骤2.4：在对兴趣节点进行初始化后，根据获得的项目嵌入对兴趣嵌入进行更新。具体来说，以兴趣-项目交互超图为例，计算会话中每个项目与当前会话对应的兴趣节点之间的相似性分数γ_i，并根据相似性分数对项目嵌入进行聚合，得到会话对应的兴趣嵌入u^h。

具体如下：

γ_i＝soft max(LeakyReLU(W₆h_i ^h+W₇u^h)) (12)

其中W₆,W₇∈R^1×d为可学习参数，表示第i个项目在兴趣-项目交互超图下的项目嵌入，n表示会话的长度。

类似地，得到兴趣节点在全局兴趣-项目转换图中的更新嵌入u^g。

步骤2.5：在更新兴趣嵌入后，使用更新后的兴趣节点对项目节点进行更新。与兴趣嵌入更新相似，如果项目节点与k个兴趣节点相连，计算项目嵌入与其连接所有的兴趣嵌入之间的相似性分数γ_j，并聚合所有的兴趣嵌入，获得最终的项目嵌入h^h，具体如下：

其中表示第j个与项目节点相连的兴趣节点嵌入，W₈,W₉∈R^1×d为可学习参数。

类似地，得到全局兴趣-项目转换图中项目节点的更新嵌入h^g。将两个视图得到的项目嵌入h^h和h^g相加，得到最终的项目嵌入H＝{h₁,h₂,h₃,...,h_|V|}。

步骤3：根据获得的项目嵌入聚合成为会话表示嵌入，并使用位置信息与时间信息对会话表示进行增强。

具体地，步骤3包括以下步骤：

步骤3.1：获得位置信息嵌入。在基于会话的推荐中，同一物品出现在会话中的不同位置包含着不同的信息。因此，在每个会话中，使用一个可学习的位置矩阵P＝[p₁,p₂,p₃,...,p_n]来记录每个会话中项目的位置信息。

步骤3.2：获得时间信息嵌入。在不改变物品间交互顺序的情况下，两个时间间隔不同的会话代表着完全不同的用户意图，通过计算相邻项目之间时间戳的差值，得到记录不同项目时间信息的时间矩阵T＝[t₁,t₂,t₃,...,t_n]。在得到位置嵌入P和时间嵌入T后，对于每个会话s，将P和T与项目嵌入H相加，得到最终的项目嵌入X＝[x₁,x₂,x₃,...,x_n]。

步骤3.3：获得会话嵌入。通常情况下，可以认为被浏览位置越靠后的商品越能代表用户当前的兴趣偏好，因此使用会话s中最后一个项目嵌入x_n作为局部级别的会话嵌入，然后使用软注意力机制计算权重，得到全局级别的会话嵌入。将会话的全局级嵌入与局部级嵌入结合得到会话嵌入s_f，具体如下：

s_l＝x_n (19)

s_f＝s_l+s_g (20)

其中x_i表示会话中第i个项目的项目嵌入，n表示会话的长度，s^*为计算过程中的中间量，θ_i表示项目i对于整个会话的注意力分数，s_g表示全局级别的会话嵌入，s_l表示局部级别的会话嵌入，W₁₀,W₁₁和q₂,b₃为可学习参数。

步骤4：使用对比学习对两个图中得到的兴趣嵌入进行增强。

同一个会话在两个不同视图中的兴趣偏好应该是尽可能相似的。由于会话集S中定义会话的总数量为|S|,因此在两个视图中所有的兴趣节点总数为2|S|。定义在两个视图中代表第j个会话的兴趣偏向的两个兴趣嵌入为一对正样本，其余的2|S|-1对为负样本。使用InfoNCE损失作为对比损失，目的是优化模型使同一个会话在两个视图中的兴趣节点的编码尽可能的相似，具体计算公式如下：

其中，L_s表示对比学习损失函数，l_j表示第j个会话会话对应的损失，表示正样本对，(u_p,u_q)表示所有样本对，sim()表示余弦相似度，τ是超参数。

步骤5：计算候选物品的推荐概率，给出损失函数，具体如下：

L＝L_c+λL_s (25)

其中，s_f为会话嵌入表示；z_i表示第i个候选项目的真值标签，表示第i个候选项目的预测概率；L_c表示交叉熵损失函数，L_s表示对比学习损失函数，L表示最终损失函数，λ是一个可学习的参数。

从步骤1到步骤5，得到会话序列的候选物品推荐概率；根据推荐概率，实现兴趣感知的双通道图对比学习会话推荐。

有益效果

对比现有技术，本发明方法具有以下优点：

本发明方法通过构建兴趣-项目交互超图和全局兴趣-项目转换图，对关注不同方面的项目关系都进行了关注，通过设置兴趣节点代表用户兴趣偏好，解决了不相邻项目之间长距离信息传递问题，并使用对比学习对两个图进行信息的扩充，使用位置信息和时间间隔信息对会话嵌入表示进行增强，因而提高了推荐效能，与现有技术相比，具有显著的进步。

附图说明

图1为本发明方法的流程图。

具体实施方式

为了使本发明的目的和优点更加清楚明白，下面结合实施方式对本发明作进一步描述。需要指出的是，此处所描述的具体实施方式仅仅用于解释本发明，并不限定本发明。

参阅说明书附图1，一种兴趣感知的双通道图对比学习会话推荐方法，包括以下步骤：

定义V为所有项目的集合，即项目集，V＝{v₁,v₂,v₃,...,v_|V|}，其中|V|为项目数，定义S为所有会话的集合，即会话集，S＝{s₁,s₂,s₃,...,s_|S|}，其中|S|为项目数，每个会话表示为一个集合s，s＝[v₁,v₂,v₃,...,v_n]，n为会话的长度。

步骤A：根据会话数据，构建兴趣-项目交互超图，定义G_h＝(V_h,U_h,E_h,W_h)，其中表示项目集V中的所有项目,/>表示每个会话添加的兴趣节点，/>表示边的集合，其中/>表示超边的集合，第i个超边/>连接了第i个会话中所有的项目，/>表示连接兴趣节点和兴趣节点对应会话中项目的无向边的集合，W_h表示超边的权重矩阵，其中/>表示超边/>的权重；构建全局兴趣-项目转换图，定义G_g＝(V_g,U_g,E_g)，其中/>表示项目集V中的所有项目，/>表示每个会话对应的兴趣节点，E_g表示边的集合，分为两种类型，一种是根据物品节点之间的交互顺序形成的有向边，另一种是连接兴趣节点和项目节点的无向边。如果在整个会话集中，用户点击v_i-1后点击v_i，则e_i＝(v_i-1→v_i)∈E_g。此外，对于每个会话，会话对应的兴趣节点使用无向边与会话中的所有项目节点相连。

步骤B：将构建的兴趣-项目交互超图和全局兴趣-项目转换图输入双通道兴趣-项目嵌入学习模块，设计两个通道分别处理两种图结构，得到两种图结构下的兴趣嵌入和项目嵌入，具体过程如下：

设计超图项目嵌入学习模块，使用超图卷积网络对超图中的项目节点嵌入学习，按下列公式计算：

其中，表示第l层超图卷积网络中的项目嵌入，l的范围为0到L，L为设置的超参数，C是兴趣-项目交互超图G_h的关联矩阵，/>和/>分别表示/>中超边的度矩阵和V_h中所有顶点的度矩阵，H_h为兴趣-项目交互超图下的项目嵌入；

设计全局图项目嵌入学习模块，将构建的全局兴趣-项目转换图输入到门控图神经网络中，见下列公式：

其中，表示第l层网络中的第i个项目嵌入，l的范围为0到L，L为设置的超参数，是门控图神经网络中的更新门，/>是门控图神经网络中的重置门；A_s为邻接矩阵，U₁,U₂,U₃,U₄和W₁,W₂,W₃控制权重，b₁为可训练参数，/>为计算过程中的中间量，⊙表示元素积，tanh表示双曲正切函数，σ表示sigmod函数，T表示转置操作。通过全局图项目嵌入学习模块，最终得到全局兴趣-项目转换图下的项目嵌入H_g。

对兴趣节点进行初始化。先对兴趣-项目交互超图进行操作，对于每个会话s＝[v₁,v₂,v₃,...,v_n]来说，设在兴趣-项目交互超图中s对应的兴趣节点为u^h，具体计算如下：

其中h_i ^h表示第i个项目在兴趣-项目交互超图下的项目嵌入，α_i表示注意力分数，u^h′和u^h″为计算过程中的中间量，n表示会话的长度，W₄,W₅∈R^d×d和q₁,b₂∈R^d均为可学习参数，T表示转置操作。再通过类似计算，得到每个会话对应的兴趣节点在全局兴趣-项目转换图中的初始化嵌入u^g。

在对兴趣节点进行初始化后，根据获得的项目嵌入对兴趣嵌入进行更新。先对兴趣-项目交互超图进行操作，计算会话中每个项目与当前会话对应的兴趣节点之间的相似性分数γ_i，并根据相似性分数对项目嵌入进行聚合，得到会话对应的兴趣嵌入u^h，具体计算如下：

γ_i＝soft max(LeakyReLU(W₆h_i ^h+W₇u^h))

其中W₆,W₇∈R^1×d为可学习参数，表示第i个项目在兴趣-项目交互超图下的项目嵌入，n表示会话的长度，再通过类似计算，得到兴趣节点在全局兴趣-项目转换图中的更新嵌入u^g。

在更新兴趣嵌入后，使用更新后的兴趣节点对项目节点进行更新，计算项目嵌入与其连接所有的兴趣嵌入之间的相似性分数γ_j，并聚合所有的兴趣嵌入，获得最终的项目嵌入h^h，具体计算公式如下：

其中表示第j个与项目节点相连的兴趣节点嵌入，W₈,W₉∈R^1×d为可学习参数。通过类似计算方法，得到全局兴趣-项目转换图中项目节点的更新嵌入h^g，将两个视图得到的项目嵌入h^h和h^g相加，得到最终的项目嵌入H＝{h₁,h₂,h₃,...,h_|V|}。

步骤C：根据获得的项目嵌入聚合成为会话表示嵌入，并使用位置信息与时间信息对会话表示进行增强，具体方法如下：

获得位置信息嵌入。在基于会话的推荐中，使用一个可学习的位置矩阵P＝[p₁,p₂,p₃,...,p_n]来记录每个会话中项目的位置信息。

获得时间信息嵌入。通过计算相邻项目之间时间戳的差值，得到记录不同项目时间信息的时间矩阵。T＝[t₁,t₂,t₃,...,t_n]，在得到位置嵌入P和时间嵌入T后，对于每个会话s，将P和T与项目嵌入H相加，得到最终的项目嵌入X＝[x₁,x₂,x₃,...,x_n]。

获得会话嵌入。使用会话s中最后一个项目嵌入x_n作为局部级别的会话嵌入，再使用软注意力机制计算权重，得到全局级别的会话嵌入，将会话的全局级嵌入与局部级嵌入结合得到会话嵌入s_f，具体计算如下：

s_l＝x_n

s_f＝s_l+s_g

其中x_i表示会话中第i个项目的项目嵌入，n表示会话的长度，s^*为计算过程中的中间量，θ_i表示项目i对于整个会话的注意力分数，s_g表示全局级别的会话嵌入，s_l表示局部级别的会话嵌入，W₁₀,W₁₁和q₂,b₃为可学习参数。

步骤D：使用对比学习对两个图中得到的兴趣嵌入进行增强。定义在两个视图中代表第j个会话的兴趣偏向的两个兴趣嵌入为一对正样本，其余的2|S|-1对为负样本，使用InfoNCE损失作为对比损失，具体计算如下：

其中，L_s表示对比学习损失函数，l_j表示第j个会话会话对应的损失，表示正样本对，(u_p,u_q)表示所有样本对，sim()表示余弦相似度，τ是超参数。

步骤E：计算候选物品推荐概率，具体方法如下：

L＝L_c+λL_s

其中，s_f为会话嵌入表示，z_i表示第i个候选项目的真值标签，表示第i个候选项目的预测概率，L_c表示交叉熵损失函数，L_s表示对比学习损失函数，L表示最终损失函数，λ是一个可学习的参数。

实施例

以会话序列“会话1：[项目1,项目3,项目2,项目5,项目7]；会话2：[项目2,项目6,项目8,项目10]；以及会话3：[项目4,项目7,项目9,项目11]”为实施例，对本发明所述的一种兴趣感知的双通道图对比学习会话推荐方法的具体操作步骤进行详细说明。

如说明书附图1所示，一种兴趣感知的双通道图对比学习会话推荐方法，包括以下步骤：

步骤A：根据会话数据，构建兴趣-项目交互超图和全局兴趣-项目转换图。

具体到本实施例中，根据会话中项目的顺序构建兴趣-项目交互超图和全局兴趣-项目转换图，兴趣-项目交互超图的构建方式是将每个会话构建成一个超边，并在每个超边上增加一个兴趣节点，所以构建的全局超图共有3个超边，每个超边分别连接会话1、2、和3中所有项目以及会话对应的兴趣节点兴趣1、2、和3；全局兴趣-项目转换图根据会话1、2、和3中所有项目的交互构建转换图，并将兴趣节点与会话中每个项目相连接。以会话1为例，兴趣节点1与项目1、项目3、项目2,、项目5、和项目7分别进行连接。

步骤B：将构建的兴趣-项目交互超图和全局兴趣-项目转换图输入双通道兴趣-项目嵌入学习模块，设计两个通道分别处理两种图结构，得到两种图结构下的兴趣嵌入和项目嵌入。

在本实施例中，首先将构建的兴趣-项目交互超图输入到超图项目嵌入学习模块中，学习到会话1、2、和3中所有项目在兴趣-项目交互超图的表示；再将构建的全局兴趣-项目转换图输入到全局图项目嵌入学习模块中，得到会话1、2、和3中所有项目在全局兴趣-项目转换图的表示；在兴趣-项目交互超图下，通过兴趣节点初始化模块、兴趣嵌入更新模块、和项目嵌入更新模块获得兴趣-项目交互超图下兴趣节点1、2、和3的嵌入和会话1、2、和3中所有项目嵌入；在全局兴趣-项目转换图下，通过兴趣节点初始化模块、兴趣嵌入更新模块、和项目嵌入更新模块获得全局兴趣-项目转换图下兴趣节点1、2、和3的嵌入和会话1、2、和3中所有项目嵌入。

步骤C：根据获得的项目嵌入聚合成为会话表示嵌入，并使用位置信息与时间信息对会话表示进行增强。

在本实施例中，将步骤B得到的兴趣-项目交互超图下的项目嵌入和全局兴趣-项目转换图下的项目嵌入相加得到项目嵌入，在项目嵌入中融合位置信息嵌入和时间信息嵌入作为新的项目嵌入，并计算每个会话的嵌入表示，以会话1为例，将会话中最后一个项目即项目7作为局部级别的会话嵌入，使用注意力机制得到会话的全局级嵌入，将会话的全局级嵌入与局部级嵌入结合得到会话嵌入。

步骤D：使用对比学习对两个图中得到的兴趣嵌入进行增强。

具体到本实施例中，由步骤B得到兴趣-项目交互超图下的兴趣嵌入和全局兴趣-项目转换图下的兴趣嵌入，如果兴趣-项目交互超图下的兴趣嵌入和全局兴趣-项目转换图下的兴趣嵌入与同一个会话对应，则将这一对兴趣嵌入记为正样本，即兴趣-项目交互超图下兴趣1的嵌入与全局兴趣-项目转换图下兴趣1的嵌入为一对正样本，兴趣-项目交互超图下兴趣2的嵌入与全局兴趣-项目转换图下兴趣2的嵌入为一对正样本，兴趣-项目交互超图下兴趣3的嵌入与全局兴趣-项目转换图下兴趣3的嵌入为一对正样本，其余为负样本；将两种兴趣嵌入进行对比学习，得到对比学习下的损失函数，并将其加入到最终损失函数中进行训练。

步骤E：计算候选物品推荐概率。

具体到本实施例中，通过将会话1、会话2、会话3的特征表示和候选项目进行内积计算推荐概率，得到每个会话最有可能被推荐的物品。

为了评估本专利提出的IDGC方法，使用两个常用数据集将IDGC方法与其他会话推荐领域的代表性方法进行对比，两个常用数据集分别为Diginetica和Yoochoose 1/64，其中Diginetica的来源是CIKM Cup 2016(http://cikm2016.cs.iupui.edu/cikm-cup)，Yoochoose 1/64数据集的来源是RecSys Challenge 2015(http://2015.recsyschallenge.com/challenge.html)。数据集Diginetica中包括719470个训练会话，60858个测试会话，物品总量为43097个；数据集Yoochoose 1/64中包括369859个训练会话，55898个测试会话，物品总量为17745个。在训练过程中，设置物品的表示向量维度为100，使用Adam优化器，初始学习率为0.001，每三个周期衰减0.1，训练结果见下表。

表1本发明IDGC方法实验结果与其他传统方法实验结果比较

从上表可以看出，本发明IDGC方法在命中率和平均倒数排名两个指标上都取得提升。其中，命中率指推荐的物品序列中包含推荐正确物品的频率，此指标越高表示推荐效果越好；平均倒数排名指的是推荐列表中正确物品的位置的倒数之和，此指标越高表示推荐效果越好。

至此，已经结合说明书附图所示的优选实施方式详细描述了本发明的技术方案。但是，本领域技术人员容易理解，本发明的保护范围显然不局限于此具体实施方式。在不偏离本发明原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (6)

1.一种兴趣感知的双通道图对比学习会话推荐方法，其特征在于：该方法包括

步骤S0，构建项目集、会话集与会话，定义V为所有项目的集合，即项目集，V＝{v₁,v₂,v₃,...,v_|V|}，其中|V|为项目数，定义S为所有会话的集合，即会话集，S＝{s₁,s₂,s₃,...,s_|S|}，其中|S|为项目数，每个会话表示为一个集合s，s＝[v₁,v₂,v₃,...,v_n]，n为会话的长度；

步骤S1，根据会话数据，构建兴趣-项目交互超图和全局兴趣-项目转换图；

步骤S2，将构建的兴趣-项目交互超图和全局兴趣-项目转换图输入双通道兴趣-项目嵌入学习模块，设计两个通道分别处理两种图结构，得到两种图结构下的兴趣嵌入和项目嵌入；

步骤S3，根据获得的项目嵌入聚合成为会话表示嵌入，并使用位置信息与时间信息对会话表示进行增强；

步骤S4，使用对比学习对两个图中得到的兴趣嵌入进行增强；

步骤S5，计算候选物品的推荐概率，给出损失函数。

2.根据权利要求1所述一种兴趣感知的双通道图对比学习会话推荐方法，其特征在于：在步骤S1中，所述构建兴趣-项目交互超图方法如下：定义G_h＝(V_h,U_h,E_h,W_h)，其中表示项目集V中的所有项目,/>表示为每个会话添加的兴趣节点，/>表示边的集合，其中/>表示超边的集合，第i个超边/>连接了第i个会话中所有的项目，/>表示连接兴趣节点和兴趣节点对应会话中的项目的无向边的集合，W_h表示超边的权重矩阵，其中/>表示超边/>的权重；所述构建全局兴趣-项目转换图方法如下：定义G_g＝(V_g,U_g,E_g，其中表示项目集V中的所有项目，/>表示每个会话对应的兴趣节点，E_g表示边的集合，分为两种类型，一种是根据物品节点之间的交互顺序形成的有向边，另一种是连接兴趣节点和项目节点的无向边。

3.根据权利要求2所述一种兴趣感知的双通道图对比学习会话推荐方法，其特征在于：所述步骤S2包括设计超图项目嵌入学习模块，使用超图卷积网络对超图中的项目节点嵌入学习，具体方法如下：

其中，表示第l层超图卷积网络中的项目嵌入，l的范围为0到L，L为设置的超参数，C是兴趣-项目交互超图G_h的关联矩阵，/>和/>分别表示/>中超边的度矩阵和V_h中所有顶点的度矩阵，T表示转置操作；设计全局图项目嵌入学习模块，将构建的全局兴趣-项目转换图输入到门控图神经网络中，方法如下：

其中，表示第l层网络中的第i个项目嵌入，l的范围为0到L，L为设置的超参数，/>是门控图神经网络中的更新门，r_i ^l是门控图神经网络中的重置门；A_s为邻接矩阵，U₁,U₂,U₃,U₄和W₁,W₂,W₃控制权重，b₁为可训练参数，/>为计算过程中的中间量，⊙表示元素积，tanh表示双曲正切函数，σ表示sigmod函数，T表示转置操作；对兴趣节点进行初始化，具体方法如下：

其中，表示第i个项目在兴趣-项目交互超图下的项目嵌入，α_i表”'

示注意力分数，u^h和u^h为计算过程中的中间量，n表示会话的长度，W₄,W₅∈R^d×d和q₁,b₂∈R^d均为可学习参数，T表示转置操作；根据获得的项目嵌入对兴趣嵌入进行更新，具体方法如下：

其中，W₆,W₇∈R^1×d为可学习参数，表示第i个项目在兴趣-项目交互超图下的项目嵌入，n表示会话的长度；以及使用更新后的兴趣节点对项目节点进行更新，具体方法如下：

其中，表示第j个与项目节点相连的兴趣节点嵌入，W₈,W₉∈R^1×d为可学习参数，用类似方法，得到全局兴趣-项目转换图中项目节点的更新嵌入h^g，将两个视图得到的项目嵌入h^h和h^g相加，得到最终的项目嵌入H＝{h₁,h₂,h₃,...,h_|V|}。

4.根据权利要求1所述一种兴趣感知的双通道图对比学习会话推荐方法，其特征在于：所述步骤S3包括获得位置信息嵌入：使用一个可学习的位置矩阵P＝[p₁,p₂,p₃,...,p_n]来记录每个会话中项目的位置信息；获得时间信息嵌入：通过计算相邻项目之间时间戳的差值，得到记录不同项目时间信息的时间矩阵T＝[t₁,t₂,t₃,...,t_n]，对于每个会话s，将P和T与项目嵌入H相加，得到最终的项目嵌入X＝[x₁,x₂,x₃,...,x_n]；以及获得会话嵌入：使用会话s中最后一个项目嵌入x_n作为局部级别的会话嵌入，然后使用软注意力机制计算权重，得到全局级别的会话嵌入，将会话的全局级嵌入与局部级嵌入结合得到会话嵌入s_f，具体方法如下：

s_l＝x_n

s_f＝s_l+s_g

其中，x_i表示会话中第i个项目的项目嵌入，n表示会话的长度，s^*为计算过程中的中间量，θ_i表示项目i对于整个会话的注意力分数，s_g表示全局级别的会话嵌入，s_l表示局部级别的会话嵌入，W₁₀,W₁₁和q₂,b₃为可学习参数。

5.根据权利要求1所述一种兴趣感知的双通道图对比学习会话推荐方法，其特征在于：所述步骤S4内容包括：根据会话集S中定义会话的总数量为|S|,计算的两个视图中所有的兴趣节点总数为2|S|，定义在两个视图中代表第j个会话的兴趣偏向的两个兴趣嵌入为一对正样本，其余的2|S|-1对为负样本，使用InfoNCE损失作为对比损失，具体方法如下：

其中，L_s表示对比学习损失函数，l_j表示第j个会话会话对应的损失，表示正样本对，(u_p,u_q)表示所有样本对，sim()表示余弦相似度，τ是超参数。

6.根据权利要求4所述一种兴趣感知的双通道图对比学习会话推荐方法，其特征在于：所述步骤S5具体计算公式如下：

L＝L_c+λL_s

其中，s_f为会话嵌入表示；z_i表示第i个候选项目的真值标签，表示第i个候选项目的预测概率，L_c表示交叉熵损失函数，L_s表示对比学习损失函数，L表示最终损失函数，λ是一个可学习的参数。