一种基于异构超图神经网络的会话推荐方法及系统

本发明属于会话推荐，涉及一种基于异构超图神经网络的会话推荐方法及系统。

背景技术：

1、在信息化时代背景下，随着数据量的激增，推荐系统作为解决信息过载问题的关键技术之一，已在电子商务等多个领域得到广泛应用。推荐系统通过分析用户的历史行为数据，预测用户可能感兴趣的商品或服务，从而提供个性化的推荐服务，有效促进了网络消费。然而传统的推荐系统主要依赖于用户的历史行为数据和个人档案信息，在一定程度上侵犯了用户的隐私权。随着隐私保护法规的日益严格，以及用户对隐私保护意识的增强，越来越多的用户选择匿名浏览或不提供个人信息。此外，对于新用户或临时用户，由于缺乏足够的历史行为数据，使得传统的推荐系统难以提供准确的推荐服务。针对以上存在的技术问题，现有技术中提出了一种基于会话的推荐系统（session-based recommendation,sbr）。

2、sbr主要依赖于用户在短期内的交互行为，如一次会话中的浏览、点击等行为，来预测用户的兴趣偏好，从而提供个性化的推荐服务。由于sbr不需要用户的个人信息，因此可以更好地保护用户的隐私权。sbr的核心思想是，用户在一次会话中的交互行为，如浏览的商品、停留的时间等，可以反映出用户当前的兴趣偏好。通过对这些短期行为数据的分析和挖掘，sbr可以快速捕捉到用户的兴趣变化，从而提供更加实时、准确的推荐服务。此外，sbr还可以通过会话之间的关联分析，发现不同用户群体的共同兴趣点，进一步丰富推荐的内容和形式。sbr因其在实际应用中的显著效用，近年来成为了研究的热点。

3、利用先进的神经网络架构，研究者们已经开发出多种模型来提升sbr的性能。在早期的研究中，由于循环神经网络（recurrent neural networks, rnn）在处理时间序列数据方面的优势，rnn及其衍生模型被广泛采用。此外，为了识别会话中各个项目的相关性，注意力机制被频繁地应用于sbr中，以突出用户交互中的关键项目。 同时，图神经网络（graphneural networks, gnn）也被用于捕捉项目间的复杂关系。这些模型通过分析用户在单次会话中的交互行为序列，如点击和浏览活动，旨在预测用户的即时需求并提供相应的商品推荐。

4、此外，sbr由于缺乏长期用户行为数据和会话序列较短，面临数据稀疏性挑战。为了应对这一问题，部分研究尝试通过整合物品的属性信息来丰富特征集，从而增强推荐系统的性能。尽管这些方法在模拟用户兴趣方面取得了显著成效，但它们并未充分认识到物品属性，尤其是品牌和价格等关键因素在用户购买行为中的重要性，具体体现在如下方面：

5、1、用户的购买行为是一个多因素决策过程，受商品品牌、价格以及个人偏好等多种因素的影响。现有sbr方法未能充分整合这些关键信息，尤其是在用户兴趣以及价格和品牌偏好的建模上存在缺陷。用户对价格的敏感度和对特定品牌的忠诚度是影响其购买决策的重要因素，而现有模型通常忽视了这种多维偏好的复杂性，导致推荐结果无法全面满足用户的真实需求。2、用户的价格偏好并非在所有商品类别上都保持一致，而是会根据商品类型和个人消费习惯有所不同。例如，用户可能对日常消费品的价格变动较为敏感，而对奢侈品则可能更加注重品牌价值。因此，推荐系统需要能够识别和适应用户在不同商品类别上的价格偏好差异，这要求模型具备更精细的学习和预测能力。3、现有模型在处理用户行为数据的异构性方面存在局限。用户行为数据包含了丰富的信息，如商品属性、价格区间、品牌影响力、用户交互行为等，这些信息在传统模型中往往未能得到充分利用。由于传统图结构主要设计用来表示二元关系，它们在捕捉和建模物品、价格、品牌等异构信息之间的高阶关系时显得力不从心，这种局限性限制了推荐系统在理解用户全面偏好和提供个性化推荐方面的潜力。

6、另外，在sbr的研究中，会话数据集的长尾分布特性是一个值得关注的现象。具体而言，用户在会话中的交互行为倾向于集中在少数热门物品上，而对大量长尾物品的交互频率相对较低。这种分布特性导致从长尾数据中学习得到的推荐模型可能会偏向于推荐那些更常见且受欢迎的物品。 虽然这种推荐策略在提升短期内的预测准确性方面可能有效，但它可能会牺牲推荐内容的多样性和新颖性。长期而言，这种单一的推荐方式可能会导致用户体验的单调化，减少用户对推荐系统的兴趣和满意度。用户可能因此感到缺乏新鲜感和探索性，这与用户期望通过推荐系统发现新兴趣和新物品的初衷相悖。因此，为了提升用户体验，推荐系统需要在保证准确推荐热门物品的同时，也要注重提高推荐结果的多样性。

7、异构图（heterogeneous graphs）因其在处理多样化信息方面的独特优势，已在多个领域展现出其强大的表达和建模能力。例如，meirec中提出了一种基于异构图中元路径引导的推荐方法，该方法能够有效地捕捉实体间的复杂交互关系。超图（hypergraphs）理论的引入进一步扩展了图模型的表达能力。在超图中，超边（hyperedges）可以连接多个节点，形成更为丰富的连接模式。这种结构特别适合捕捉节点间的高阶交互和集体行为，尤其是在用户偏好建模和推荐任务中。hyperrec模型就利用了超图的这一特性，通过构建用户-项目交互的超图，有效地捕捉了用户的短期偏好，以推荐下一个可能感兴趣的项目。

技术实现思路

1、本发明的目的在于提出一种基于异构超图神经网络的会话推荐方法，通过多维度的偏好融合方法，为预测用户交互行为提供更为全面和精确的视角，同时利用异构超图神经网络、注意力机制、logits均值方法等先进技术，以保证会话推荐效果的准确性和多样性。

2、本发明为了实现上述目的，采用如下技术方案：

3、一种基于异构超图神经网络的会话推荐方法，包括如下步骤：

4、步骤1. 构建异构超图模型，以捕捉和表述实体间的复杂高阶关系；

5、构建的异构超图模型由节点集合和边集合组成；

6、节点集合被划分为三种类型的节点：id、价格和品牌；边集合中包含兴趣超边、品牌超边、价格超边、异构超边四种类型的超边，以实现不同节点间的连接；

7、步骤2. 通过整合节点自身的属性以及其通过同构超边连接的同类型相邻节点的特征，以实现特征的深度融合，生成全面且丰富的节点表示；

8、步骤3. 通过构建异构超边捕捉产品价格、品牌和用户兴趣之间的复杂关系，并通过图神经网络生成物品、品牌和价格的嵌入表示；

9、步骤4. 在得到更新后的节点嵌入表示后，结合不同的位置信息，并借助注意力机制和门控机制获取用户的兴趣偏好，通过多头注意力机制获取用户的价格偏好和品牌偏好；

10、步骤5. 对于给定的任何用户会话，通过比较当前会话中用户偏好目标值与其他会话的相似度，对模型输出的logits进行动态插值处理，以平衡不同用户的个性化偏好，还通过预测用户感兴趣的下一个物品，增强推荐结果的相关性和多样性。

11、此外，在上述基于异构超图神经网络的会话推荐方法的基础上，本发明还提出了一种与之相对应的基于异构超图神经网络的会话推荐系统，其采用如下技术方案：

12、一种基于异构超图神经网络的会话推荐系统，包括如下模块：

13、图构建模块，用于构建异构超图模型，以捕捉和表述实体间的复杂高阶关系；

14、构建的异构超图模型由节点集合和边集合组成；

15、节点集合被划分为三种类型的节点：id、价格和品牌；边集合中包含兴趣超边、品牌超边、价格超边、异构超边四种类型的超边，以实现不同节点间的连接；

16、节点层聚合模块，用于通过整合节点自身的属性以及其通过同构超边连接的同类型相邻节点的特征，以实现特征的深度融合，生成全面且丰富的节点表示；

17、语义层聚合模块，用于通过构建异构超边捕捉产品价格、品牌和用户兴趣之间的复杂关系，并通过图神经网络生成物品、品牌和价格的嵌入表示；

18、偏好提取模块，在得到更新后的节点嵌入表示后，结合不同的位置信息，并借助注意力机制和门控机制获取用户的兴趣偏好，通过多头注意力机制获取用户的价格偏好和品牌偏好；

19、以及logits 均值模块，用于针对给定的任何用户会话，通过比较当前会话中用户偏好目标值与其他会话的相似度，对模型输出的logits进行动态插值处理，以平衡不同用户的个性化偏好，还通过预测用户感兴趣的下一个物品，增强推荐结果的相关性和多样性。

20、本发明具有如下优点：

21、如上所述，本发明述及了一种基于异构超图神经网络的会话推荐方法及系统。其中超图能更有效地捕获多个节点之间的复杂关系，更准确地描述实体之间的联系。为了更好地理解用户兴趣、品牌和价格之间的复杂关联，本发明采用异构超图来表达它们之间的关系，通过节点层聚合学习同类型邻居节点的不同重要性，通过语义层聚合丰富不同类型节点之间的信息，从而得到更新后的节点嵌入表示，通过注意力机制和门控机制获取用户的兴趣偏好，通过多头注意力机制获取用户的价格偏好和品牌偏好，使模型能更精准地理解和预测用户行为。最后，本发明采用logits均值插值更新的方法，以提高推荐结果的多样性和准确性。