[發明專利]一種基于門機制和多模態圖網絡的會話社交推薦方法

有效

• 申請號: 202011485715.2
• 申請日: 2020-12-16
• 公開（公告）號: CN112559904B
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 顧盼
• 申請（專利權）人: 中國計量大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06Q30/06;G06N3/04;G06Q50/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于門機制和多模態圖網絡的會話社交推薦方法。該方法基于用戶歷史交互序列和社交網絡關系，對用戶的興趣和社交影響進行建模，來推薦用戶在下一步最可能感興趣的物品。本方法主要由三個部分組成：第一部分采用長短期記憶網絡生成不同模態空間下的當前會話向量表征，目標用戶在不同模態空間下的當前會話向量表征即是不同模態空間下的用戶興趣向量表征。第二部分是采用基于門機制的多模態圖網絡從社交網絡中得到不同模態下朋友對目標用戶的社交影響。第三部分是綜合考慮用戶興趣和社交影響，預測用戶下一個點擊的物品。

技術領域

本發明屬于互聯網服務技術領域，尤其是涉及一種基于門機制和多模態圖網絡的會話社交推薦方法。

背景技術

很多在線平臺，例如Yelp、Epinions等，允許用戶在平臺上分享自己的興趣和經歷，以及和其他用戶進行互動。用戶在平臺上的行為信息非常豐富，通常來說用戶的興趣是多樣和多變的。很多社交推薦方法在推薦物品的時候，同時考慮用戶的短期興趣、用戶長期興趣和社交影響，可以降低數據的稀疏度。將用戶交互行為數據和用戶的社交網絡進行互補地結合，提高個性化推薦方法準確度是本發明的出發點。

大多數社交推薦方法采用矩陣分解模型，將用戶的社交網絡和用戶的交互網絡結合起來建模。近幾年，隨著圖卷積網絡(GCN)的發展，有些學者開始使用圖卷積網絡來學習朋友對目標用戶的社交影響。如song等人采用GraphSAGE得到朋友對目標用戶的社交影響，GraphSAGE是Hamilton等人提出的一種圖卷積網絡方法，它不需要輸入整個用戶的社交網絡矩陣，是一種時間復雜度換空間復雜度的圖方法。

以上方法雖然取得不錯的效果，但是沒有考慮到物品特征的多模態性。Chen等人在物品表征階段采用注意力機制對多種模態進行選擇，并生成物品向量表征。該方法只能算是將多模態特征向量相連接組成物品向量這種方法的進階版本，沒有充分利用物品多模態的豐富信息。本方法先基于序列表征方法得到所有用戶在不同模態下的興趣向量表征，然后采用基于門機制的多模態圖網絡進行模態融合。多模態社交圖網絡中用戶興趣特征信息非常豐富，一種模態下的用戶興趣表征對另一種模態下的用戶興趣表征既是一種信息的補充，也是一種節點信息傳遞的制約。本方法在社交圖網絡中傳遞節點模態信息時，節點之間傳遞相同模態信息的過程受到源節點的兩種模態信息共同控制，該控制方法正是普遍應用在循環神經網絡中的門機制。

發明內容

本發明所要解決的技術問題是基于用戶歷史交互序列和社交網絡關系，對用戶的興趣和社交影響進行建模，來推薦用戶在下一步最可能感興趣的物品。本方法通過對用戶興趣和社交影響進行建模，來預測用戶下一個點擊的物品。為此，本發明采用以下技術方案：

一種基于門機制和多模態圖網絡的會話社交推薦方法，包括以下步驟：

構建目標用戶u_i的社交網絡G，令：

G＝{U,E}

其中，U表示社交網絡中目標用戶u_i的朋友集合，E是目標用戶的社交連接。

使用長短期記憶網絡生成不同模態空間下的會話向量表征，目標用戶當前會話向量表征即是用戶興趣向量表征。構建用戶會話向量表征，任一會話表示為S＝{v₁,v₂,…,v₀}。其中v_j是會話中第j個物品。構建用戶會話向量表征采用長短期記憶網絡(LSTM)：

z₇＝LSTM(Q(:,S))

其中，Q是物品的向量矩陣，Q(:,S)代表出現在會話S中所有的物品向量。LSTM具體公式為：

i_j＝σ(W_ix_j+U_ih_j-1+b_i)