一种应用多通道动态超图的会话式推荐方法及系统

本发明涉及推荐系统，特别涉及一种应用多通道动态超图的会话式推荐方法及系统。

背景技术：

1、会话推荐系统旨在利用匿名会话数据提高推荐的有效性。广泛来说，会话推荐方法可以分为三种主要类型：传统型、顺序型和基于图的。传统型方法包括k最近邻居(knn)、马尔可夫链和协同过滤等常用方法，每种方法采用不同的推荐策略。具体而言，knn方法关注于识别与目标会话相似的其他会话，作为推荐的基础。马尔可夫链方法捕捉了会话内的物品转换模式。协同过滤方法基于物品在会话内的共现关系建模物品之间的关系。

2、与传统方法相反，会话推荐的顺序方法更深入地探索了会话内的物品信息，通常使用递归神经网络(rnn)模型。这些模型旨在揭示数据中的顺序转换模式。一个著名的例子是gru4rec，它将rnn网络与会话推荐结合起来，并利用门控递归单元(grus)来调节信息传播。随后通过引入数据增强和基于rnn的数据分布修改等优化方案，增强了模型性能。然而，基于rnn的模型假定相邻物品之间存在严格的顺序关系，这可能引入噪音并阻碍性能。为了解决这一限制，注意机制已经方便地应用于sbr，以全面衡量会话内不同物品的重要性。narm是第一个将注意机制集成到sbr中的模型，利用它们来计算用户的当前兴趣。在此基础上，stamp引入了一种利用注意机制捕捉当前会话中复杂兴趣的短期记忆网络。

3、近年来，基于图的方法在会话推荐中变得越来越受欢迎。这些方法将顺序数据转化为图结构，并利用图中编码的拓扑信息。一个值得注意的采用基于图的方法的sbr的例子是srgnn，它汇聚了相邻节点并在会话图上学习顺序关系，因此成为了一个里程碑的模型。在此基础上，图注意模型(如fgnn)得到了发展，它通过引入注意机制，可以灵敏地计算不同元素的重要性。尽管以前的方法主要关注会话内的关系，但最近的一项进展，即gce-gnn，利用全局的跨会话关系，将全局和局部表示融合在一起，以增强推荐。在更近期的发展中，一些模型已经将重点转向通过辅助任务来改善推荐，例如自监督学习。通过通过数据增强构建数据的两个不同视图，自监督方法调整嵌入空间以进行优化。之后，随着超图的发展，超图开始应用于推荐系统。dhcn移植了经典的超图卷积范式，并使用对比学习增强了超图。sht将超图与transformer结合，提出了一种新的超图学习方法。与上述方案不同，hide为不同的目的构建不同的超图结构，并构建了一个解耦器以精确学习用户兴趣。

4、但是上述现有技术中对于会话推荐系统的推荐方法及模型中存在如下问题：对于小型数据集有效，但是无法在大型数据集上有效发挥效果，其主要忽视了更高阶的特征数据和连接关系的运用，未有效利用好会话数据的动态的高阶信息；静态图中的不同关系之间可能存在差异和噪声，很难有效地整合来自多关系下的信息以生成更准确和可靠的推荐；传统方法中的超图学习需依赖于假设性原理来引导，但是静态图无法有效保证原有的强假设，导致会话推荐的效果不够准确。

5、由于上述现有的推荐方法存在上述问题，导致最终的物品会话推荐信息的推荐信息不够有效准确。

技术实现思路

1、为解决上述现有技术中所存在的问题，本发明提供一种应用多通道动态超图的会话式推荐方法及系统，能够提供一种准确有效的会话式推荐系统，针对用户，对物品进行有效准确推荐。

2、为了实现上述技术目的，本发明提供了如下技术方案：一种应用多通道动态超图的会话式推荐方法，包括：

3、根据购买物品历史数据，构建图结构数据，并通过图编码器对图结构数据进行图卷积处理，生成一般图信息，其中一般图信息的类别包括转换图、反序转换图及共现图；

4、通过深度学习模型对所述一般图信息进行转换，生成关联矩阵，基于一般图信息及关联矩阵进行图卷积处理，生成动态超图信息，对所述动态超图信息进行池化处理，生成综合特征；

5、通过注意力机制对所述综合特征进行处理，生成融合物品特征，基于所述融合物品特征，生成会话嵌入表示，其中，图编码器、深度学习模型及注意力机制已通过互信息最大化方法及交叉熵损失函数进行参数优化；

6、基于所述融合物品特征及会话嵌入表示，生成推荐物品信息。

7、可选的，所述购买历史数据包括全部用户按照时间顺序的物品购买历史数据，其中针对购买历史数据，将物品作为节点，对应物品之间的过渡关系作为有向边，构建图结构数据。

8、可选的，对所述图结构数据分别进行图卷积处理，生成一般图信息，其中采用lightgcn网络作为图编码器进行图卷积处理：

9、

10、其中，下标*表示对应的一般图信息的类别，el为xl-1转换后的输入向量，wl为特征权重矩阵，xl-1为上一层的输出，也是当前层的初始输入，d与al是度矩阵和第l个图卷积层的邻接矩阵，上标l表示图编码器中的网络层数，为第l个图卷积层输出的一般图数据。

11、可选的，关联矩阵的生成过程包括：

12、

13、其中，w1和w2是深度学习模型中不同的特征转换矩阵，σ1和σ2为不同的激活函数，且σ1采用relu激活函数，σ2采用softmax激活函数，分别为最终的关联矩阵和图编码器每层卷积生成的一般图信息；h是中间过渡表示。

14、可选的，动态超图信息的生成过程包括：

15、

16、其中，x为动态超图信息，di为类别为i的一般图信息的度矩阵。

17、可选的，通过注意力机制处理生成融合物品特征过程包括：

18、

19、

20、其中，α和wc是注意力机制中的可学习参数矩阵，下标m表示综合特征的类别，t1，t2、c表示参数分别综合特征对应的转换关系结合超边类别、反序转换关系结合超边类别、共现关系结合超边类别，表示融合物品特征，表示不同类别的综合特征分别表示转换关系结合超边类别、反序转换关系结合超边类别、共现关系结合超边类别的综合矩阵。

21、可选的，参数优化的过程包括：

22、获取真实样本，通过真实样本对图编码器、深度学习模型及注意力机制中的参数进行训练，训练过程中，通过总损失函数对参数进行优化；

23、其中，总损失函数为：

24、

25、其中为总损失值，为交叉熵损失值，λ为损失权重，为互相关信息最大化方法计算的损失值即辅助任务整体损失值；

26、其中，交叉熵损失函数为：

27、

28、其中lmain为交叉熵损失，t为样本i的总数量，ysi为真实样本分数，为预测的候选物品的推荐分数。

29、可选的，所述辅助任务单个损失值为：

30、

31、其中为辅助任务整体损失值、σ为sigmod激活函数；为对应s1图的物品v的最终物品表示；为对应s2图的物品v的最终物品表示；为对应s1图的物品v的负样本物品表示，为对应s2图的物品v的负样本物品表示；

32、对其他不同的综合特征的类别进行两两组合，并将对应数据替换正样本和负样本，以获取全部辅助任务的单个损失值，对全部辅助任务的单个损失值进行求和，生成辅助任务整体损失值。

33、可选的，推荐物品信息的生成过程包括：

34、所述融合物品特征及会话嵌入表示进行点积处理，并将点积处理结果通过softmax函数进行处理，生成预测物品的推荐分数，对所述推荐分数进行由大到小排序，将推荐分数排序第一的物品信息作为推荐物品信息。

35、为了更好的实现上述技术目的，本发明提供了一种应用多通道动态超图的会话式推荐系统，用于执行上述的方法。

36、本发明具有如下技术效果：

37、1、相比于现有的技术方案，本发明提出的物品图都是建立在全局视角下的，利用了高阶信息，提升更高阶的特征数据和连接关系的运用，其能够对历史数据更多特征进行有效提取。

38、2、本发明的动态超图构建方法不是使用无监督的聚类方案，而是通过物品图即一般图结构进行自适应地构建，不需要强假设前提，提升超图信息的自适应构建能力，使超图信息能够更加贴合当前会话推荐，其特征表达更加有效准确。

39、3、相比于现有技术中粗暴地将不同图进行拼接融合，本发明采用了两种信息融合方法缓解了不同图之间的噪声，通过交叉熵损失为主，互信息最大化为辅助，提高学习表示的一致性和质量，有效地整合来自这些多样通道的信息以生成更准确和可靠的推荐信息。