[發明專利]一種基于會話序列動態行為偏好耦合關系分析的推薦方法

在審

• 申請號: 202011138457.0
• 申請日: 2020-10-22
• 公開（公告）號: CN112269927A
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 張全貴;王冠;李鑫
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06K9/62;G06N3/08
• 代理公司: 北京華夏正合知識產權代理事務所(普通合伙) 11017
• 代理人: 韓登營;韓惠琴

1.一種基于會話序列動態行為偏好耦合關系分析的推薦方法，其特征在于，包括：

S1、數據采集和處理：在2015recsyschallenge網站下載Yoochoose數據集和在cikm2016網站下載Diginetica數據集，清理臟數據；

S2、劃分數據集：將處理好的數據集按8:1:1的比例劃分為訓練集、測試集和驗證集；

S3、構建耦合模型：用基于圖神經網絡學習用戶在行為會話中的動態偏好，用耦合關系感知器學習用戶與項目特征耦合關系，并將兩者融合進行推薦；

S4、訓練模型和項目推薦：步驟S2中所得到的訓練數據集和測試數據集分別用于訓練和評估步驟S3構建的耦合模型，考慮用戶關于時間序列方面的動態偏好以及相應用戶/項目特征信息之間的耦合關系，根據用戶對項目的預測評分判斷是否將項目推薦給用戶。

2.根據權利要求1所述的基于會話序列動態行為偏好耦合關系分析的推薦方法，其特征在于，所述步驟S1的數據采集和處理的具體步驟如下：

S101、在2015recsyschallenge網站下載Yoochoose數據集和在cikm2016網站下載Diginetica數據集，做數據預處理，并清理臟數據；

S102、提取數據集中用戶在會話序列的行為信息及用戶、項目信息，將其轉化為向量。

3.根據權利要求1所述的基于會話序列動態行為偏好耦合關系分析的推薦方法，其特征在于，所述步驟S3中構建耦合模型的具體步驟如下：

S301、構建輸入層：輸入層包括3個輸入內容，用戶嵌入向量、項目嵌入向量及用戶的行為序列信息；

S302、構建用戶喜好動態預測模型、用戶項目耦合關系分析模型以及基于會話序列動態行為偏好耦合關系分析的推薦方法；即構建基于會話序列動態行為偏好耦合關系分析的推薦方法學習框架；

S303、構建輸出層：預測用戶對項目的評分。

4.根據權利要求3所述的基于會話序列動態行為偏好耦合關系分析的推薦方法，其特征在于，所述步驟S302中構建用戶喜好動態預測模型、用戶項目耦合關系分析模型以及基于會話序列動態行為偏好耦合關系分析的推薦方法的具體步驟如下：

S302-1、構建用戶喜好動態預測模型：通過輸入用戶的行為序列信息，連接圖神經網絡，學習用戶的動態偏好；

S302-2、構建用戶項目耦合關系分析模型：通過輸入用戶嵌入向量、項目嵌入向量，將用戶嵌入向量、項目嵌入向量分別轉化為指定維度的向量，代表用戶及項目的基本特征，連接耦合關系感知器，學習用戶項目的耦合關系；

S302-3、構建基于會話序列動態行為偏好耦合關系分析的推薦方法，將用戶喜好動態預測模型的輸出與用戶項目耦合關系分析模型的輸出輸入到融合層進行融合，得到一個新的向量，然后由一個全連接層進行處理，輸出最終的向量。

5.根據權利要求4所述的基于會話序列動態行為偏好耦合關系分析的推薦方法，其特征在于，所述步驟S302-1構建用戶喜好動態預測模型的具體步驟如下：

S302-1-1、每個會話的序列信息轉化為向量，將其作為GNN的輸入；

S302-1-2、GNN算法學習出用戶在序列行為中動態特征，輸出用戶的動態特征向量，將結果向量作為Attention網絡的輸入；

S302-1-3、Attention網絡學習用戶在序列行為中的動態特征，并將輸入向量轉化為用戶的長期動態特征向量，與GNN算法輸出的用戶短期的動態特征拼接，作為模型下一層的輸入。

6.根據權利要求4所述的基于會話序列動態行為偏好耦合關系分析的推薦方法，其特征在于，所述步驟S302-2構建用戶項目耦合關系分析模型的具體步驟如下：

S302-2-1、將每個用戶的基本信息及每個項目的基本信息分別轉化為向量并進行嵌入操作，輸出用戶、項目的信息向量；將兩向量輸入到融合層進行融合，并將輸出向量作為耦合關系感知器的輸入；

S302-2-2、耦合關系感知器學習出用戶-項目之間的耦合關系，并將輸入向量轉化為用戶-項目耦合關系向量，作為模型下一層的輸入。