[發明專利]一種會話推薦方法、裝置以及電子設備

有效

• 申請號: 201911252600.6
• 申請日: 2019-12-09
• 公開（公告）號: CN111046257B
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 何天健;劉毅;董大祥;馬艷軍;于佃海
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06F16/9035
• 分類號: G06F16/9035;G06F16/901
• 代理公司: 北京銀龍知識產權代理有限公司 11243
• 代理人: 許靜;黃燦

本申請公開了一種會話推薦方法、裝置以及電子設備，涉及圖神經網絡技術領域。具體實現方案為：獲取會話控制序列，并基于所述會話控制序列中的每一個物品的嵌入向量，獲取第一嵌入向量矩陣；根據所述會話控制序列中物品的排列順序生成位置信息序列，并基于所述位置信息序列中的每一個位置信息的嵌入向量，獲取第二嵌入向量矩陣；根據所述第一嵌入向量矩陣和所述第二嵌入向量矩陣，確定目標嵌入向量矩陣；基于所述目標嵌入向量矩陣，采用圖神經網絡會話推薦模型SR?GNN確定推薦物品。本申請實施方式能夠提升會話推薦結果的準確性。

技術領域

本申請涉及計算機技術中的圖神經網絡技術領域，尤其涉及一種會話推薦方法、裝置以及電子設備。

背景技術

基于圖神經網絡的會話推薦(Session-based?Recommendation?Graph?NeuralNetwork，SR-GNN)技術中，將每一個會話控制(Session)都建模為有向圖，在這個圖中每個節點(node)都代表一個物品(item)。每個node的向量用來指明該node對應的item的嵌入向量，基于有向圖中node的向量表示，每一個Session都可以被建模成一個嵌入向量(embedding)，并根據該嵌入向量確定各個候選item的概率值，并依此推薦出用戶后期可能選擇的item。

相關技術中，在對Session建模的時候，可能出現一個有向圖對應多個Session序列的情況，在相關技術中的SR-GNN將一個有向圖對應的所有Session序列視為相同的Session序列進行分析，從而造成SR-GNN的推薦結果準確性低。

發明內容

本申請實施例提供一種會話推薦方法、裝置以及電子設備，以解決相關技術中SR-GNN存在的推薦結果準確性低的問題。

第一方面，本申請一個實施例提供一種會話推薦方法，包括：

獲取會話控制序列，并基于所述會話控制序列中的每一個物品的嵌入向量，獲取第一嵌入向量矩陣；

根據所述會話控制序列中物品的排列順序生成位置信息序列，并基于所述位置信息序列中的每一個位置信息的嵌入向量，獲取第二嵌入向量矩陣；

根據所述第一嵌入向量矩陣和所述第二嵌入向量矩陣，確定目標嵌入向量矩陣；

基于所述目標嵌入向量矩陣，采用SR-GNN確定推薦物品。

上述申請中的一個實施例具有如下優點或有益效果：可提升SR-GNN推薦的物品的準確性。通過生成與會話控制序列中每一個物品的排列順序對應的位置信息，并根據位置信息的嵌入向量矩陣和相應物品的嵌入向量矩陣得到目標嵌入向量矩陣，可以區分與同一個向量圖對應的多個目標嵌入向量矩陣，從而避免了將同一個向量圖對應的多個嵌入向量矩陣視為同一個嵌入向量矩陣而造成的SR-GNN推薦的物品的準確性低的缺陷，達到提升SR-GNN推薦的物品的準確性的有益效果。

可選的，所述根據所述第一嵌入向量矩陣和所述第二嵌入向量矩陣，確定目標嵌入向量矩陣的步驟，包括：

對所述第一嵌入向量矩陣和所述第二嵌入向量矩陣進行求和，得到目標嵌入向量矩陣；或者

對所述第一嵌入向量矩陣和所述第二嵌入向量矩陣進行拼接，得到目標嵌入向量矩陣，其中，所述目標嵌入向量矩陣中與每個物品對應的嵌入向量的維度為所述第一嵌入向量矩陣與每個物品對應的嵌入向量的維度的兩倍。

通過求和或者拼接的方式處理第一嵌入向量矩陣和第二嵌入向量矩陣，可以根據第二嵌入向量矩陣中位置信息的嵌入向量改變各個物品的嵌入向量，而且位置信息序列是根據會話控制序列中物品的排列順序生成的，從而使得出的目標嵌入向量矩陣中與每一個物品對應的嵌入向量與其位置關聯，達到區分不同位置的物品的作用，進而使得與同一個向量圖對應的多個目標嵌入向量矩陣互不相同，進而針對不同的多個目標嵌入向量矩陣分別進行分析，以提升SR-GNN推薦的物品的準確性。