一种基于目标关注和属性分解的会话推荐方法

本发明涉及无线电台站通信，尤其是涉及一种基于目标关注和属性分解的会话推荐方法。

背景技术：

1、推荐系统在帮助人们找到所需信息方面起着越来越重要的作用。在早期的srs中，建模是基于同时出现在多个用户中的项目，而不是直接建模序列。代表性的方法是矩阵分解，它主要用于建模用户和项目之间的零散关系。然而矩阵分解模型只考虑了用户和项目之间的互动存在与否，因此在捕捉用户随时间变化的意图方面存在局限性。为了解决这个问题，提出了基于马尔可夫链的方法。基于马尔可夫链的方法是一种基于马尔可夫假设来建模用户序列的方法，但在建模复杂序列的顺序模式方面存在困难。

2、随着神经网络的蓬勃发展，许多基于它的模型涌现出来，以提高sbr的推荐准确性。gru4rec首次将rnn应用于sbr。它使用了rnn和门控循环单元(gru)，通过分析会话中的顺序关系来学习会话表示，然后预测最有可能交互的下一个项目。随后提出了narm，它同时使用了rnn和注意机制。其中的注意机制负责捕获会话中的全局关系，因为他们注意到除了顺序关系外，会话中还存在全局关系。stam也采用了注意机制，通过更加强调短期兴趣和关注用户最近的点击来取得更好的结果。然而，这些模型都面临着一个限制，即会话内信息不足。许多会话推荐系统模型试图利用丰富的会话间信息来辅助推荐。然而会话间信息包含了既有效的信息又包含干扰信息，现有模型不能滤除这些干扰信息。

3、因此，有必要提供一种基于目标关注和属性分解的会话推荐方法，来解决上述问题。

技术实现思路

1、本发明的目的是提供一种基于目标关注和属性分解的会话推荐方法，提出了tadrl-gnn充分利用了会话间信息，并在学习时消除了干扰，提高推荐性能。

2、为实现上述目的，本发明提供了一种基于目标关注和属性分解的会话推荐方法，提出一种tadrl-gnn模型，包括解耦表示学习模块、图初始化模块、权重更新模块、信息传播模块、目标注意力模块、注意力机制、会话嵌入学习模块、对比学习模块和信息组合模块；具体包括以下步骤：

3、s1：解耦学习表示模块中解耦表示学习独立因子学习drl级别的表示，获得用户在会话中表现出的不同兴趣特点；

4、s2：初始化模块中构建会话间的图和会话内部图；

5、s3：使用独立因子学习drl来获取隐藏在交互中不同因子的兴趣偏好，将项目嵌入到不同的空间中；

6、s4：会话间的图涉及会话间模块，会话间模块使用gcn学习因子级别的跨会话嵌入会话，跨会话模块的输入包括所有会话的初始因子级别嵌入和跨会话图，跨会话图的属性级别受边权重的影响；

7、s5：权重更新模块中更新权重的依据为稳定性和兴趣单元；

8、s6：基于建立的因子级跨会话依赖关系，使用图传播更新顶点的嵌入来学习跨会话信息；

9、s7：会话嵌入学习模块中通过目标注意力模块和注意力机制通过gnn模型学习每个会话的最终嵌入；

10、s8：对比学习模块中引入对比学习方法，通过对象之间的相似或不同之处来学习对象的基本特征，通过比较两个不同视角学到的信息更新嵌入式表示；

11、s9：信息组合模块中使用融合门控机制对步骤s8中学习到的信息进行聚合，获得了最终的会话表示。

12、优选的，在步骤s1中，将原始嵌入拆分成多个不同的独立维度，引入drl提高模型的解释性和鲁棒性，模型的输入是物品或会话的嵌入；具体表示为：

13、设c∈rd表示一个d维度的嵌入，drl将其重新嵌入到相应的空间中，从c中计算出k个因子级别的嵌入，在属性t上计算得到的属性级别嵌入ft如下所示：

14、ft＝σ(ctwt)+bt(1≤t≤k)

15、式中，和表示在属性t上的权重矩阵和偏移量，表示每个属性embedding的维度，r表示原始嵌入的集合，drl使用以下损失函数作为学习目标，生成独立的因素级嵌入：

16、

17、式中，yi表示真实嵌入因子标签，表示表示tadrl-gnn模型对于第i个样本预测的概率估计，且表示预测概率分布，m表示嵌入因子样本的数量；

18、嵌入过程中使用dcor衡量不同空间变量之间的相关性公式如下：

19、

20、式中，g和j表示遍历从1到k的所有变量，fg和fj分别代表第g个和第j个变量在嵌入空间的映射或特征向量。

21、优选的，在步骤s2中，会话间的图：s＝{s1…sm}，代表输入中的m个会话，会话间构建的图为无向图：表示s中会话之间的依赖关系，上标g代表全局，顶点集合表示会话的顶点，边集合式中si,sj∈s，每一条边表示两个会话间有相同的节点，并将边的权重值赋值为1.0；

22、在会话内部构建的图为有向图上标l代表局部图，顶点集合表示在会话s中的所有点的集合，边的集合

23、是会话s中的第i个项目，每一条边代表前一个节点指向后一个节点的连接。

24、优选的，在步骤s3中，具体包括以下步骤：

25、对于每一个会话s＝v(s,1)....v(s,n)嵌入对应项目；

26、设一个项目v(s,1)∈s的初始化嵌入为c(i,j)，然后使用drl来获取隐藏在交互中不同因子的兴趣偏好，将每个项目嵌入c(i,j)重新嵌入到不同的空间中，如下式所示：

27、

28、公式中是v(i,j)在因素级别的嵌入，是v(i,j)因素级别嵌入的集合；

29、会话的嵌入由每个项目嵌入的平均值获得：

30、

31、式中，n表示被初始化嵌入项目的数量。

32、优选的，在步骤s4中，通过gcn在会话间模块中以学习跨会话的嵌入方式处理因子级别的数据；

33、s＝{s1…sm}为批量输入的m个会话，跨会话模块的输入包括集合集合包含所有会话的初始因子级别嵌入，以及跨会话图其中跨会话图按属性级别的划分为属性级别的跨会话图在顶点和边方面与物品级别的跨会画图完全相同，区别在于边的权重会受到会话之间属性间余弦相似度的影响；

34、让作为邻接矩阵，其中为si和sj在属性t的权重文中定义权重的公式为：

35、

36、上述公式建立的连接基于相似度。

37、优选的，在步骤s5中，具体包括以下步骤：

38、在s的前i个项目建立在属性的级别的兴趣单元：

39、u(s,i)＝{u(s,1)...u(s,i)}；

40、为会话s在属性k上的兴趣单元公式：

41、

42、衡量兴趣稳定性时兴趣实用如下公式：

43、

44、随着的增加，因子t的兴趣偏好越稳定，的权重按照如下公式进行更新：

45、

46、式中，表示中的任意权重，会话都有其会话间图，其邻接矩阵为

47、优选的，在步骤s6中，图传播来更新顶点的嵌入以学习跨会话信息，公式表达为：

48、

49、式中，是因子级跨会话图的邻接矩阵，而是经过l次传播后的嵌入，最终输出是因子级会话嵌入的串联：

50、优选的，在步骤s7中，目标注意力模型通过如下公式，根据被推荐的物品的不同动态匹配用户不同方向的爱好：

51、

52、通过可能被推荐的物品生成一个带有兴趣偏好的会话嵌入公式：

53、

54、其中w为参数矩阵，根据目标物品的类型计算会话中属性级别的物品的得分权重，表示需要被推荐的物品，表示会话中的第i个物品，m表示当前会话的物品数量；

55、会话嵌入学习模块通过聚合与之交互的物品会话内信息来学习当前会话的嵌入，部署k个通道来处理相应的因子级嵌入，包括了所有在s中的物品的因子级嵌入的集合和派生的因子级会话内部图的集合

56、

57、使用了图门控神经网络ggnn更新嵌入，在传播过程中筛选信息，会话编码器采用软注意力，并通过如下公式计算得到权重：

58、

59、通过如下公式得到被选择的物品生成的目标嵌入：

60、

61、通过如下公式得到最终的因子级别的会话嵌入：

62、

63、式中，是学习参数，是的最后一个项目的因素水平嵌入，ggnn的最终层输出为

64、优选的，步骤s8中具体包括以下步骤：

65、通过跨会话模块和内部会话模块获得的会话s的两个嵌入式表示，生成自我监督信号，选择了标准的二元交叉熵bce损失函数公式作为最终模型的学习目标，用于衡量两者之间的差异：

66、

67、式中，的行-列随机排列是σ表示激活函数。

68、优选的，在步骤s9中，使用融合门控机制对跨会话模块和内部会话模块学习到的信息进行聚合，如下所示：

69、

70、获得最终的会话表示公式：

71、

72、式中，和是分别是融合门中的权重矩阵，公式ζ用于控制来自会话模块和内部会话模块信息的总体比例，最终的输出是k个通道

73、因此，本发明采用上述一种基于目标关注和属性分解的会话推荐方法，提出了tadrl-gnn充分利用了会话间信息，并在学习时消除了干扰，提高推荐性能。

74、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种基于目标关注和属性分解的会话推荐方法，其特征在于：提出一种tadrl-gnn模型，包括解耦表示学习模块、图初始化模块、权重更新模块、信息传播模块、目标注意力模块、注意力机制、会话嵌入学习模块、对比学习模块和信息组合模块；具体包括以下步骤：

2.根据权利要求1所述的一种基于目标关注和属性分解的会话推荐方法，其特征在于：在步骤s1中，将原始嵌入拆分成多个不同的独立维度，引入drl提高模型的解释性和鲁棒性，模型的输入是物品或会话的嵌入；具体表示为：

3.根据权利要求1所述的一种基于目标关注和属性分解的会话推荐方法，其特征在于：在步骤s2中，会话间的图：s＝{s1…sm}，代表输入中的m个会话，会话间构建的图为无向图：表示s中会话之间的依赖关系，上标g代表全局，顶点集合表示会话的顶点，边集合式中si,sj∈s，每一条边表示两个会话间有相同的节点，并将边的权重值赋值为1.0；

4.根据权利要求1所述的一种基于目标关注和属性分解的会话推荐方法，其特征在于：在步骤s3中，具体包括以下步骤：

5.根据权利要求4所述的一种基于目标关注和属性分解的会话推荐方法，其特征在于：在步骤s4中，通过gcn在会话间模块中以学习跨会话的嵌入方式处理因子级别的数据；

6.根据权利要求5所述的一种基于目标关注和属性分解的会话推荐方法，其特征在于：在步骤s5中，具体包括以下步骤：

7.根据权利要求5所述的一种基于目标关注和属性分解的会话推荐方法，其特征在于：在步骤s6中，图传播来更新顶点的嵌入以学习跨会话信息，公式表达为：

8.根据权利要求5所述的一种基于目标关注和属性分解的会话推荐方法，其特征在于：在步骤s7中，目标注意力模型通过如下公式，根据被推荐的物品的不同动态匹配用户不同方向的爱好：

9.根据权利要求5所述的一种基于目标关注和属性分解的会话推荐方法，其特征在于：步骤s8中具体包括以下步骤：

10.根据权利要求9所述的一种基于目标关注和属性分解的会话推荐方法，其特征在于：在步骤s9中，使用融合门控机制对跨会话模块和内部会话模块学习到的信息进行聚合，如下所示：

技术总结
本发明公开了一种基于目标关注和属性分解的会话推荐方法，涉及目标会话推荐领域，提出一种TADRL‑GNN模型，包括解耦表示学习模块、图初始化模块、权重更新模块、信息传播模块、目标注意力模块、注意力机制、会话嵌入学习模块、对比学习模块和信息组合模块；本发明中引入跨会话信息，在一个会话中对物品进行的推荐的时候也同时使用其他的会话信息来进行辅助，添加一个权重机制来调整不同会话对当前会话产生不同的影响，从而生成用户在在因素级别上的兴趣模型。在生成了用户的兴趣模型之后，将不同的物品作为候选项的时候也会使用到用户的不同的兴趣偏好，因此添加一个目标注意力模块，来计算具体的兴趣偏好。

技术研发人员：周雪阳,史伟,赵渊博,褚治广,张兴
受保护的技术使用者：辽宁工业大学
技术研发日：
技术公布日：2024/12/5