[發明專利]一種基于圖神經網絡的序列推薦系統及推薦方法

有效

• 申請號: 202011549710.1
• 申請日: 2020-12-24
• 公開（公告）號: CN112559878B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 梁吉業;張凱涵;王智強
• 申請（專利權）人: 山西大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9538;G06N3/04;G06N3/08
• 代理公司: 山西五維專利事務所(有限公司) 14105
• 代理人: 茹牡花

本發明涉及一種基于圖神經網絡的序列推薦系統及推薦方法，目的是解決現有的推薦算法難以發現用戶的長短期興趣、捕捉用戶的真實潛在意圖，導致推薦系統難以為用戶提供精準而多樣的推薦服務的技術問題。技術方案為：本發明推薦裝置包括構圖模塊、第一獲取模塊、第二獲取模塊、推薦模塊，序列推薦方法的步驟包括：構建產品交互轉移圖、構建層次圖神經網絡模型、獲取特征表示矩陣、計算用戶與產品的匹配程度、排序并推薦產品。本發明提供一種基于圖神經網絡的序列推薦系統及推薦方法，在序列推薦任務中入產品的類別信息，使得推薦模型可以從用戶的歷史行為中挖掘出用戶的潛在真實意圖。

技術領域

本發明屬于個性化推薦技術領域，具體涉及一種基于圖神經網絡的序列推薦系統及推薦方法。

背景技術

推薦系統已逐漸成為電子商務、網頁推薦、鏈路預測等眾多個性化服務領域中必不可少的組成部分，能夠自動為用戶提供豐富的個性化推薦，進而緩解了大數據時代下人們所面臨的信息過載問題，另一方面也為企業的營銷帶來了更巨大的利潤。推薦算法作為推薦系統的核心成分，在生成推薦列表時起到了至關重要的作用。因此，為了得到更符合用戶需求的推薦結果，大量個性化推薦算法被提出，包括基于內容的推薦算法、協同過濾推薦算法、基于矩陣分解的推薦算法、基于深度學習的推薦算法等等。其中，基于深度學習的推薦算法已成為近些年被各大網站及應用軟件廣泛使用的推薦技術，此類推薦算法旨在利用深度神經網絡例如卷積神經網絡、循環神經網絡、圖神經網絡等從用戶的歷史行為數據中學習用戶的偏好表示與產品的特征表示，進而預測目標用戶對候選產品的喜好程度。

然而，現存的大多數推薦算法在刻畫用戶興趣時，忽略了用戶行為的有序性，使得目前推薦系統難以對用戶行為做出實時響應與推薦，例如用戶通常會先購買筆記本電腦再購買筆記本電腦包，又如手機的購買一定優先于手機殼的購買等，而傳統推薦算法只關心用戶購買過的產品集合，而忽略了這些產品之間的序關系。序列推薦方法正是針對這一問題被提出的，但是目前序列推薦算法仍面臨諸多挑戰。一方面，用戶的行為通常受其潛在意圖驅動，例如用戶在購買完一件衣服后購買了一個隨身背包，這蘊含著用戶興趣從服裝到配飾的轉變，而不僅僅是這兩件商品之間的表層關系；另一方面，在捕捉用戶的興趣時，有兩方面特征需要被綜合考慮，一是用戶的長期興趣，即用戶相對固定的一些興趣愛好，例如計算機從業人員會長期關注計算機領域的技術動態，此類興趣隨時間的推移較為穩定；二是用戶的短期興趣，即用戶的一些短暫、心血來潮的喜好，例如用戶可能在短時間內想要體驗溜冰、射箭等體育活動，此類興趣隨時間可能減弱甚至消失。

目前序列推薦算法難以發現用戶的長短期興趣、捕捉到用戶的真實潛在意圖，導致推薦系統難以為用戶提供精準而多樣的推薦服務。

發明內容

本發明的目的是解決現有的推薦算法難以發現用戶的長短期興趣、捕捉用戶的真實潛在意圖，導致推薦系統難以為用戶提供精準多樣推薦服務的技術問題，提供一種基于圖神經網絡的序列推薦系統及推薦方法。

為解決上述技術問題，本發明采用的技術方案是：

一種基于圖神經網絡的序列推薦系統，包括構圖模塊、第一獲取模塊、第二獲取模塊和推薦模塊，所述構圖模塊與第一獲取模塊相連，所述第一獲取模塊與第二獲取模塊相連，所述第二獲取模塊與推薦模塊相連；

構圖模塊：用于根據用戶的歷史行為數據，構建產品交互轉移圖，并獲取所述產品交互轉移圖的鄰接矩陣；

第一獲取模塊：用于將所述產品交互轉移圖的鄰接矩陣與隨機初始化的產品特征表示矩陣，輸入至構建的層次圖神經網絡模型中，獲取更新后的產品特征表示矩陣及產品類別的特征表示矩陣；

第二獲取模塊：將第一獲取模塊的輸出信息及用戶歷史行為數據作為輸入信息，采用注意力機制，將用戶有過行為的產品的特征信息及類別信息進行融合，獲取用戶的特征表示向量；