本發(fā)明屬于圖算法，具體為一種基于圖算法的會(huì)話推薦系統(tǒng)改良方法。

背景技術(shù)：

1、推薦系統(tǒng)以復(fù)雜場(chǎng)景、豐富用戶和海量特征為基石，旨在通過(guò)大數(shù)據(jù)理解用戶行為更好地服務(wù)用戶。其相關(guān)技術(shù)發(fā)展歷程如下：1992年施樂(lè)公司提出基于協(xié)同過(guò)濾算法的推薦系統(tǒng)用于垃圾郵件過(guò)濾，2003年amazon將其用于電商，這是真正意義上推薦系統(tǒng)的開(kāi)端。協(xié)同過(guò)濾分用戶和商品兩種，amazon采用基于商品的itemcf，因其用戶行為數(shù)據(jù)稀疏，但協(xié)同過(guò)濾可解釋性強(qiáng)卻泛化不足，易使尾部商品不被推薦。2006年netflix提出矩陣分解技術(shù)增強(qiáng)泛化能力，邏輯回歸可解決協(xié)同過(guò)濾問(wèn)題，計(jì)算復(fù)雜度小、可解釋性強(qiáng)且涵蓋更多特征。2010年大阪大學(xué)提出fm模型捕捉二階交叉特征，2012年后成為主流。2014年facebook提出gbdt+lr方案，使推薦算法進(jìn)入特征工程模型化階段，但gbdt無(wú)法很好并行計(jì)算。2015年深度學(xué)習(xí)技術(shù)用于推薦系統(tǒng)，如deep&crossing及其變體pnn。wide&deep兼具“記憶能力”和泛化能力。此外，序列建模用于捕捉時(shí)序信息，如din、dien、mimn，在特殊場(chǎng)景如會(huì)話推薦、匿名推薦中有重要意義。而現(xiàn)有的技術(shù)有明顯不足，協(xié)同過(guò)濾技術(shù)是推薦系統(tǒng)開(kāi)端，雖實(shí)現(xiàn)簡(jiǎn)單、可解釋性強(qiáng)，但泛化能力弱、對(duì)行為稀疏用戶無(wú)法個(gè)性化推薦。矩陣分解也有不足，其泛化能力不夠強(qiáng)，非線性特征無(wú)法完全擬合，可解釋性差，且和協(xié)同過(guò)濾一樣，僅依賴用戶行為數(shù)據(jù)，未利用用戶和物料屬性特征，邏輯回歸可解決部分問(wèn)題，但無(wú)法進(jìn)行特征交叉，表達(dá)能力弱，像性別和年齡組合這種重要特征模式無(wú)法捕捉。特征交叉技術(shù)經(jīng)歷多個(gè)階段，有優(yōu)勢(shì)，但忽略了序列信息。而序列建模開(kāi)辟新信息獲取渠道，不過(guò)仍未充分利用數(shù)據(jù)。2016年后基于圖的推薦研究興起，它能包含序列信息，還可構(gòu)建用戶、物料社交網(wǎng)絡(luò)，實(shí)現(xiàn)更個(gè)性化推薦，這是本發(fā)明專利的技術(shù)改進(jìn)基礎(chǔ)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于圖算法的會(huì)話推薦系統(tǒng)改良方法，以解決上述背景技術(shù)中提出的問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于圖算法的會(huì)話推薦系統(tǒng)改良方法的具體步驟如下：

3、s1：用戶點(diǎn)擊數(shù)據(jù)進(jìn)行表示：令v＝{v1,v2,…,vm}表示所有item物品，用表示每個(gè)匿名會(huì)話session，匿名會(huì)話由按時(shí)間順序排列的用戶點(diǎn)擊項(xiàng)目組成，其中表示在會(huì)話s中被點(diǎn)擊的item，s有長(zhǎng)度l；

4、s2：構(gòu)造會(huì)話圖：將每個(gè)會(huì)話序列構(gòu)造為會(huì)話圖graph，給定會(huì)話設(shè)gs＝(vs,es)為其對(duì)應(yīng)會(huì)話圖；

5、s3：構(gòu)造全局圖相關(guān)定義：通過(guò)會(huì)話圖構(gòu)造全局圖，其中全局圖相關(guān)定義為定義鄰居集和全局級(jí)項(xiàng)目轉(zhuǎn)換定義；

6、s4：改良鄰接矩陣：為每個(gè)節(jié)點(diǎn)vi，相鄰邊生成權(quán)重區(qū)分vj鄰居重要性，只保留前n條邊并進(jìn)行最短路徑轉(zhuǎn)換，將權(quán)重信息改良為距離信息；

7、s5：基于會(huì)話注意力評(píng)分的項(xiàng)目線性組合：根據(jù)會(huì)話注意力評(píng)分對(duì)項(xiàng)目進(jìn)行線性組合，公式為其中π(vi,vj)表示不同重要性權(quán)重，為項(xiàng)目vi在圖g中的鄰居集，且全局圖中邊(vi,vj)的權(quán)重是可訓(xùn)練參數(shù)；

8、s6：利用注意力機(jī)制學(xué)習(xí)節(jié)點(diǎn)間權(quán)重：鑒于會(huì)話圖中項(xiàng)目的鄰居對(duì)其自身重要性不同，通過(guò)注意力機(jī)制來(lái)學(xué)習(xí)不同節(jié)點(diǎn)之間的權(quán)重，eij表示節(jié)點(diǎn)的vj特征對(duì)節(jié)點(diǎn)vj的重要性，這里采用leakyrelu作為激活函數(shù)；

9、s7：結(jié)合上下文獲得并計(jì)算會(huì)話表示：對(duì)每個(gè)項(xiàng)目，先結(jié)合全局上下文和會(huì)話上下文獲取其表示，再通過(guò)總和池計(jì)算最終的會(huì)話表示。

10、優(yōu)選地，所述s1中用戶點(diǎn)擊數(shù)據(jù)進(jìn)行表示指的是令v＝{v1,v2,…,vm}表示所有item物品，用表示每個(gè)匿名會(huì)話session，匿名會(huì)話由按時(shí)間順序排列的用戶點(diǎn)擊項(xiàng)目組成，其中表示在會(huì)話s中被點(diǎn)擊的item，s有長(zhǎng)度l。

11、優(yōu)選地，所述s2中構(gòu)造會(huì)話圖指的是將每個(gè)會(huì)話序列構(gòu)造為會(huì)話圖graph，用于通過(guò)gnn學(xué)習(xí)當(dāng)前會(huì)話中項(xiàng)目的embeddings給定會(huì)話設(shè)gs＝(vs,es)為其對(duì)應(yīng)會(huì)話圖，其中vs為s中被點(diǎn)擊的item(商品)的集合，表示邊集，其中每條邊表示s中相鄰的兩個(gè)

12、優(yōu)選地，所述s3中構(gòu)造全局圖相關(guān)定義指的是有兩個(gè)定義，分為定義鄰居集：其中i'是會(huì)話sq中，物品所在的次序，ε是一個(gè)用于控制會(huì)話模型的物品短距離轉(zhuǎn)換的超參數(shù)；全局級(jí)項(xiàng)目轉(zhuǎn)換定義：{(vi,vj)|vi,vj∈v；vj∈nε(vi)}。

13、優(yōu)選地，所述s4中改良鄰接矩陣指的是基于最短路徑改良的鄰接矩陣為每個(gè)節(jié)點(diǎn)vi，相鄰邊生成權(quán)重區(qū)分vj鄰居重要性，只保留前n條邊并進(jìn)行最短路徑轉(zhuǎn)換，將權(quán)重信息改良為距離信息。

14、優(yōu)選地，所述s5中基于會(huì)話注意力評(píng)分的項(xiàng)目線性組合指的根據(jù)會(huì)話注意力評(píng)分對(duì)項(xiàng)目進(jìn)行線性組合，公式為：其中π(vi,vj)表示不同重要性權(quán)重，為項(xiàng)目vi在圖g中的鄰居集，且全局圖中邊(vi,vj)的權(quán)重是可訓(xùn)練參數(shù)。

15、優(yōu)選地，所述s6中利用注意力機(jī)制學(xué)習(xí)節(jié)點(diǎn)間權(quán)重指的是鑒于會(huì)話圖中項(xiàng)目的鄰居對(duì)其自身重要性不同，通過(guò)注意力機(jī)制來(lái)學(xué)習(xí)不同節(jié)點(diǎn)之間的權(quán)重，eij表示節(jié)點(diǎn)的vj特征對(duì)節(jié)點(diǎn)vj的重要性，這里采用leakyrelu作為激活函數(shù)。

16、優(yōu)選地，所述s7中結(jié)合上下文獲得并計(jì)算會(huì)話表示指的是對(duì)每個(gè)項(xiàng)目，先結(jié)合全局上下文和會(huì)話上下文獲取其表示，再通過(guò)總和池計(jì)算最終的會(huì)話表示，具體是將會(huì)話序列輸入圖神經(jīng)網(wǎng)絡(luò)得到會(huì)話中項(xiàng)目的表示，即我們通過(guò)軟注意力機(jī)制學(xué)習(xí)相應(yīng)的權(quán)重：最后根據(jù)線性組合項(xiàng)目來(lái)獲得會(huì)話表示：

17、本發(fā)明的有益效果如下：

18、1、本發(fā)明通過(guò)優(yōu)化數(shù)據(jù)利用與挖掘關(guān)聯(lián)模式針對(duì)序列推薦在利用數(shù)據(jù)信息和挖掘關(guān)聯(lián)模式方面的不足，基于會(huì)話推薦(匿名推薦)場(chǎng)景和序列推薦技術(shù)提出改良方案，使推薦系統(tǒng)能更好地挖掘數(shù)據(jù)價(jià)值，發(fā)現(xiàn)潛在關(guān)聯(lián)，提升推薦的精準(zhǔn)性和有效性。

19、2、本發(fā)明通過(guò)改良鄰接矩陣提升信息表達(dá)將單一的0/1鄰接矩陣改良為以最短距離為權(quán)重的帶權(quán)鄰接矩陣，利用最短路徑算法豐富了鄰接矩陣的信息表達(dá)能力，有助于捕捉潛在的關(guān)系模式，為更精準(zhǔn)的推薦提供更多依據(jù)。

20、3、本發(fā)明通過(guò)改善gcn3-rank因簡(jiǎn)單鄰接節(jié)點(diǎn)信息聚合方式在層數(shù)加深時(shí)導(dǎo)致的節(jié)點(diǎn)信息趨同、失去特征抽取能力的問(wèn)題，通過(guò)在信息聚合時(shí)加入attention，維持并提升了系統(tǒng)的特征抽取能力，保證推薦系統(tǒng)的性能。

技術(shù)特征：

1.一種基于圖算法的會(huì)話推薦系統(tǒng)改良方法，其特征在于：該基于圖算法的會(huì)話推薦系統(tǒng)改良方法的具體步驟如下：

2.根據(jù)權(quán)利要求1所述的一種基于圖算法的會(huì)話推薦系統(tǒng)改良方法，其特征在于：所述s1中用戶點(diǎn)擊數(shù)據(jù)進(jìn)行表示指的是令v＝{v1,v2,…,vm}表示所有item物品，用表示每個(gè)匿名會(huì)話session，匿名會(huì)話由按時(shí)間順序排列的用戶點(diǎn)擊項(xiàng)目組成，其中表示在會(huì)話s中被點(diǎn)擊的item，s有長(zhǎng)度l。

3.根據(jù)權(quán)利要求1所述的一種基于圖算法的會(huì)話推薦系統(tǒng)改良方法，其特征在于：所述s2中構(gòu)造會(huì)話圖指的是將每個(gè)會(huì)話序列構(gòu)造為會(huì)話圖graph，用于通過(guò)gnn學(xué)習(xí)當(dāng)前會(huì)話中項(xiàng)目的embeddings給定會(huì)話設(shè)gs＝(vs,es)為其對(duì)應(yīng)會(huì)話圖，其中vs為s中被點(diǎn)擊的item(商品)的集合，表示邊集，其中每條邊表示s中相鄰的兩個(gè)item：

4.根據(jù)權(quán)利要求1所述的一種基于圖算法的會(huì)話推薦系統(tǒng)改良方法，其特征在于：所述s3中構(gòu)造全局圖相關(guān)定義指的是有兩個(gè)定義，分為定義鄰居集：其中i'是會(huì)話sq中，物品所在的次序，ε是一個(gè)用于控制會(huì)話模型的物品短距離轉(zhuǎn)換的超參數(shù)；全局級(jí)項(xiàng)目轉(zhuǎn)換定義：{(vi,vj)|vi,vj∈v；vj∈nε(vi)}。

5.根據(jù)權(quán)利要求1所述的一種基于圖算法的會(huì)話推薦系統(tǒng)改良方法，其特征在于：所述s4中改良鄰接矩陣指的是基于最短路徑改良的鄰接矩陣為每個(gè)節(jié)點(diǎn)vi，相鄰邊生成權(quán)重區(qū)分vj鄰居重要性，只保留前n條邊并進(jìn)行最短路徑轉(zhuǎn)換，將權(quán)重信息改良為距離信息。

6.根據(jù)權(quán)利要求1所述的一種基于圖算法的會(huì)話推薦系統(tǒng)改良方法，其特征在于：所述s5中基于會(huì)話注意力評(píng)分的項(xiàng)目線性組合指的根據(jù)會(huì)話注意力評(píng)分對(duì)項(xiàng)目進(jìn)行線性組合，公式為：其中π(vi,vj)表示不同重要性權(quán)重，為項(xiàng)目vi在圖g中的鄰居集，且全局圖中邊(vi,vj)的權(quán)重是可訓(xùn)練參數(shù)。

7.根據(jù)權(quán)利要求1所述的一種基于圖算法的會(huì)話推薦系統(tǒng)改良方法，其特征在于：所述s6中利用注意力機(jī)制學(xué)習(xí)節(jié)點(diǎn)間權(quán)重指的是鑒于會(huì)話圖中項(xiàng)目的鄰居對(duì)其自身重要性不同，通過(guò)注意力機(jī)制來(lái)學(xué)習(xí)不同節(jié)點(diǎn)之間的權(quán)重，eij表示節(jié)點(diǎn)的vj特征對(duì)節(jié)點(diǎn)vj的重要性，這里采用leakyrelu作為激活函數(shù)。

8.根據(jù)權(quán)利要求1所述的一種基于圖算法的會(huì)話推薦系統(tǒng)改良方法，其特征在于：所述s7中結(jié)合上下文獲得并計(jì)算會(huì)話表示指的是對(duì)每個(gè)項(xiàng)目，先結(jié)合全局上下文和會(huì)話上下文獲取其表示，再通過(guò)總和池計(jì)算最終的會(huì)話表示，具體是將會(huì)話序列輸入圖神經(jīng)網(wǎng)絡(luò)得到會(huì)話中項(xiàng)目的表示，即我們通過(guò)軟注意力機(jī)制學(xué)習(xí)相應(yīng)的權(quán)重：最后根據(jù)線性組合項(xiàng)目來(lái)獲得會(huì)話表示：

技術(shù)總結(jié)
本發(fā)明屬于圖算法技術(shù)領(lǐng)域，且公開(kāi)了一種基于圖算法的會(huì)話推薦系統(tǒng)改良方法的具體步驟如下：S1：用戶點(diǎn)擊數(shù)據(jù)進(jìn)行表示；S2：構(gòu)造會(huì)話圖；S3：構(gòu)造全局圖相關(guān)定義；S4：改良鄰接矩陣；S5：基于會(huì)話注意力評(píng)分的項(xiàng)目線性組合；S6：利用注意力機(jī)制學(xué)習(xí)節(jié)點(diǎn)間權(quán)重；S7：結(jié)合上下文獲得并計(jì)算會(huì)話表示。本發(fā)明通過(guò)以下三方面效果：一是針對(duì)序列推薦不足，基于會(huì)話和序列推薦技術(shù)優(yōu)化數(shù)據(jù)利用與挖掘關(guān)聯(lián)模式，提升推薦精準(zhǔn)性和有效性；二是改良鄰接矩陣為帶權(quán)形式，利用最短路徑算法豐富信息表達(dá)，助力捕捉潛在關(guān)系模式；三是改善GCN3?rank問(wèn)題，在信息聚合時(shí)加attention，維持和提升特征抽取能力，保障性能。

技術(shù)研發(fā)人員：王顯峰
受保護(hù)的技術(shù)使用者：海南車智易通信息技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15