[發(fā)明專利]一種基于時(shí)空序列圖卷積網(wǎng)絡(luò)的會(huì)話推薦方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010904114.4
• 申請(qǐng)日: 2020-09-01
• 公開（公告）號(hào): CN112035746A
• 公開（公告）日: 2020-12-04
• 發(fā)明（設(shè)計(jì)）人: 王換文;陳浩;陳建國(guó);周文杰;陳雯姝;張銀燕
• 申請(qǐng)（專利權(quán)）人: 湖南大學(xué)
• 主分類號(hào): G06F16/9535
• 分類號(hào): G06F16/9535;G06F16/33;G06F16/332;G06Q30/06;G06N3/04
• 代理公司: 長(zhǎng)沙市標(biāo)致專利代理事務(wù)所(普通合伙) 43218
• 代理人: 楊娜

1.一種基于時(shí)空序列圖卷積網(wǎng)絡(luò)的會(huì)話推薦方法，其特征在于，包括以下步驟：

S1：將所有會(huì)話序列建模為有向會(huì)話圖；

S2：以會(huì)話中共有的商品為鏈接，構(gòu)建全局圖；

S3：將ARMA過濾器嵌入到門控圖神經(jīng)網(wǎng)絡(luò)中，提取圖模型中隨時(shí)間變化的拓?fù)鋱D信號(hào)，并得到會(huì)話圖中涉及的各個(gè)節(jié)點(diǎn)的特征向量；

S4：采用注意力機(jī)制從用戶歷史會(huì)話中得到全局偏好信息；

S5：從用戶點(diǎn)擊的最后一個(gè)會(huì)話中獲取用戶的局部偏好信息，并結(jié)合全局偏好信息得到用戶最終偏好信息；

S6：預(yù)測(cè)每個(gè)會(huì)話中下一點(diǎn)擊商品可能出現(xiàn)的概率，并給出TOP-K的推薦商品。

2.根據(jù)權(quán)利要求1所述基于時(shí)空序列圖卷積網(wǎng)絡(luò)的會(huì)話推薦方法，其特征在于，S1中，具體包括：令I(lǐng)＝{i₁,...,i_|I|}代表所有用戶的會(huì)話中交互的商品集合，|I|表示商品總數(shù)；令s＝{i₁,...,i_|s|}代表特定時(shí)間段內(nèi)或特定事件中由特定用戶的會(huì)話中交互的商品集合，|s|為會(huì)話序列長(zhǎng)度；任一商品i_k視為節(jié)點(diǎn)，其中1≤k≤|s|，將(i_k-1,i_k)視為用戶在會(huì)話s中點(diǎn)擊商品i_k-1之后再點(diǎn)擊商品i_k所構(gòu)成的邊；將每個(gè)會(huì)話序列建模為有向圖G＝(N,E)，N是節(jié)點(diǎn)集，E是邊的集合。

3.根據(jù)權(quán)利要求1或2所述基于時(shí)空序列圖卷積網(wǎng)絡(luò)的會(huì)話推薦方法，其特征在于，S2具體包括：通過利用會(huì)話中的共有商品作為鏈接，將S1中構(gòu)建的所有有向圖組合成一個(gè)全局圖，并將相對(duì)應(yīng)的商品采用嵌入向量的形式表示，建立以下嵌入表：

式中，e_i為嵌入空間后的節(jié)點(diǎn)向量，且e_i∈R^d，表示商品i在通過所嵌入的向量空間后得到的潛在向量，其中d是維數(shù)，N_E為商品固有屬性的潛在特征。

4.根據(jù)權(quán)利要求1或2所述基于時(shí)空序列圖卷積網(wǎng)絡(luò)的會(huì)話推薦方法，其特征在于，S3中，所述節(jié)點(diǎn)的特征向量的獲取方法為：

將ARMA過濾器與圖卷積神經(jīng)網(wǎng)絡(luò)結(jié)合，形成ARMAConv層；ARMAConv層由多個(gè)圖卷積跳模塊組成，圖卷積跳簡(jiǎn)稱為GCS，來實(shí)現(xiàn)遞歸更新，節(jié)點(diǎn)的信號(hào)變化通過以下公式獲得：

式中，為節(jié)點(diǎn)在ARMAConv層中的t+1時(shí)刻的節(jié)點(diǎn)特征向量，V^(t)是參數(shù)，是節(jié)點(diǎn)的初始特征，是優(yōu)化后的拉普拉斯，D為度矩陣，A為鄰接矩陣，δ(·)表示sigmoid函數(shù)。

5.根據(jù)權(quán)利要求4所述基于時(shí)空序列圖卷積網(wǎng)絡(luò)的會(huì)話推薦方法，其特征在于，構(gòu)造K個(gè)并行堆棧，每個(gè)堆棧具有T個(gè)GCS層，并將ARMAConv層的輸出定義為：

式中，T為堆棧中GCS層的數(shù)量。

6.根據(jù)權(quán)利要求2所述基于時(shí)空序列圖卷積網(wǎng)絡(luò)的會(huì)話推薦方法，其特征在于，S5中，對(duì)于會(huì)話序列s＝{i₁,...,i_|s|}，將用戶當(dāng)前會(huì)話的最后一個(gè)點(diǎn)擊商品作為局部偏好信息，通過以下公式獲得：

式中，x_i|s|表示用戶當(dāng)前會(huì)話中最后一次點(diǎn)擊的商品。

7.根據(jù)權(quán)利要求6所述基于時(shí)空序列圖卷積網(wǎng)絡(luò)的會(huì)話推薦方法，其特征在于，通過聚合全局圖中所有的節(jié)點(diǎn)特征向量來作為會(huì)話的全局嵌入，并使用注意力機(jī)制計(jì)算用戶全局偏好信息h_g，其中注意力機(jī)制定義為：

式中，x_i表示ARMAConv層后第i個(gè)商品節(jié)點(diǎn)的特征向量，W₁是權(quán)重向量，W₂和W₃表示商品特征向量的權(quán)重矩陣，δ表示sigmoid函數(shù)，b表示神經(jīng)網(wǎng)絡(luò)中的偏置參數(shù)，α_i表示當(dāng)前會(huì)話前面歷史商品x_i的注意力系數(shù)；

全局偏好信息通過以下公式獲得：