一种用户意图增强型超图会话推荐方法与流程

本发明涉及个性化推荐，具体为一种用户意图增强型超图会话推荐方法。

背景技术：

1、早期的会话推荐算法研究主要依靠近邻结点。其中一些研究采用余弦相似度来计算相似度得分，但这些方法忽略了项目之间的转换模式。随后，人们提出了许多利用时间顺序来模拟用户意图的顺序方法。例如利用马尔可夫链和个性化矩阵因式分解来捕捉用户的顺序模式和长期偏好，但是基于马尔可夫链的方法通常的方法通常侧重于相邻项目的转换，难以捕捉到更复杂和更高阶的顺序关系。

2、并且，现有技术过度依赖于项目间的严格顺序，这可能导致过拟合问题，并且无法很好地捕捉非相邻项目之间的关系。虽然图神经网络（gnn）在节点间复杂转换关系建模方面的优势，但对于超过邻接关系的高阶关系的捕捉能力有限，导致其在复杂的会话推荐任务中的表现不足。

技术实现思路

1、本发明为解决上述技术问题，提供如下技术方案：一种用户意图增强型超图会话推荐方法，包括步骤。

2、s1.将会话中的所有项目通过超边连接，建立超图。

3、s2.通过卷积神经网络获得超图中会话中的所有项目之间的高阶关系，获得节点特征，对节点特征进行归一化处理后获得归一化节点特征，将归一化节点特征与对应的项目的位置信息进行连接，通过学习权重矩阵进行线性变化，应用非线性激活函数加上可学习的偏置向量，得到包含位置信息的归一化节特征，将会话中的所有归一化节点特征进行融合，得到整个会话的会话特征，通过软注意力机制算法结合包含位置信息的归一化节点特征以及会话特征得到每个项目的权重系数，通过权重系数结合整个会话中的所有归一化节点特征使用一般意图计算公式计算整个会话的一般意图特征，通过内积计算公式，根据一般意图计算得到每个项目的候选得分，使用softmax函数结合候选得分计算每个项目成为当前会话中下一个项目的预测概率。

4、s3.通过交叉熵损失函数对每个项目成为当前会话中下一个项目的概率进行优化。

5、s4.通过自我监督的对比学习方法，获取同一会话中的特定项目的一般意图特征和下一个项目的节点特征组成的正样本对，以及获取特定项目的一般意图特征和不同会话中的节点特征组成的负样本对，结合噪声对比估计方法，计算正样本对和负样本对之间的二元交叉熵损失，将二元交叉熵损失与交叉熵损失组合建立联合框架计算联合损失，直至联合损失符合收敛准则；

6、s5.将符合收敛准则的每个项目按从大到小的预测概率顺序以设定方式展示在当前会话中的设定位置。

7、优选的，在步骤s2中通过卷积神经网络获得节点特征的计算公式为，式中表示第t个节点在第( )层的节点特征，为第个节点与第个超边的关联强度，为第个节点与第个超边的关联强度，为第个超边的权重，为第i个节点在第层的节点特征。

8、节点特征进行归一化得到归一化节点特征的计算公式为，式中，d为超图中节点的度矩阵，为超图中超边的度矩阵。为超图的关联矩阵，为超边的权重矩阵，为第层的全部项目特征的集合，代表了特征从节点到超边的聚合过程。为归一化节点特征。

9、获得包含位置信息的归一化节点特征的计算公式为 ，式中为包含位置信息的归一化节点特征；为第各项目的归一化节点特征，为一个会话中的项目总数，为第个项目在总数为个项目的会话中的逆序位置信息，和为可学习参数。

10、获得会话特征的计算公式为，式中为包含m个项目的会话的会话特征。

11、通过软注意力机制计算每个项目的权重系数的计算公式为，式中为第个项目的权重系数，、、、均为可学习参数。

12、计算一般意图特征的计算公式为，式中为当前整个会话的一般意图特征。

13、计算每个项目的候选得分的计算公式为，式中为候选得分，为一般意图特征的转置。

14、计算每个项目成为当前会话中下一个项目的预测概率的计算公式为，式中为每个项目成为当前会话中下一个项目的预测概率。

15、优选的，在步骤s3中交叉熵损失函数的计算公式为，式中为真实标签，为交叉熵损失。

16、优选的，在步骤s4中结合噪声对比估计方法，计算正样本对和负样本对之间的二元交叉熵损失的计算公式为，式中为正样本对与负样本对之间的二元交叉熵损失，为通过获取同一会话中的特定项目的一般意图特征和下一个项目的节点特征组成的正样本对，为获取特定项目的用户一般意图特征和不同会话中的节点特征组成的负样本对，sim（）为相似度计算函数，为sigmoid激活函数。

17、优选的，在步骤s4中联合框架的计算公式为，式中为用于控制自我监督任务大小的超参数，为联合损失。

18、与现有技术相比，本发明具备如下有益效果：

19、（1）将会话中的所有项目通过超边连接建立超图，通过卷积神经网络获得节点特征，将节点特征进行归一化得到归一化节点特征，通过归一化节点特征计算会话特征，进一步计算得到每个项目的权重系数，通过权重系数计算用户的一般意图特征，结合一般意图预测每个项目成为当前会话中下一个项目的预测概率；

20、（2）通过交叉熵损失函数与自我监督的对比学习方法的融合，建立二元交叉熵损失函数与交叉熵损失函数的联合框架，进一步提高预测概率的预测准确性。

21、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。

技术特征：

1.一种用户意图增强型超图会话推荐方法，其特征在于，包括步骤：

2.根据权利要求1所述的用户意图增强型超图会话推荐方法，其特征在于，在所述步骤s2中通过卷积神经网络获得节点特征的计算公式为，式中表示第t个节点在第( )层的节点特征，为第个节点与第个超边的关联强度，为第个节点与第个超边的关联强度，为第个超边的权重，为第i个节点在第层的节点特征；

3.根据权利要求2所述的用户意图增强型超图会话推荐方法，其特征在于，在所述步骤s3中所述交叉熵损失函数的计算公式为，式中为真实标签，为交叉熵损失。

4.根据权利要求3所述的用户意图增强型超图会话推荐方法，其特征在于，在所述步骤s4中结合噪声对比估计方法，计算正样本对和负样本对之间的二元交叉熵损失的计算公式为，式中为正样本对与负样本对之间的二元交叉熵损失，为通过获取同一会话中的特定项目的所述一般意图特征和下一个项目的节点特征组成的正样本对，为获取特定项目的所述一般意图特征和不同会话中的节点特征组成的负样本对，sim（）为相似度计算函数，为sigmoid激活函数。

5.根据权利要求4所述的用户意图增强型超图会话推荐方法，其特征在于，在所述步骤s4中所述联合框架的计算公式为，式中为用于控制自我监督任务大小的超参数，为联合损失。

技术总结本发明涉及个性化推荐技术领域，具体为一种用户意图增强型超图会话推荐方法。通过将会话中的所有项目通过超边连接建立超图，通过卷积神经网络获得节点特征，将节点特征进行归一化得到归一化节点特征，通过归一化节点特征计算会话特征，进一步计算得到每个项目的权重系数，通过权重系数计算整个会话的一般意图特征，结合一般意图预测每个项目成为当前会话中下一个项目的预测概率。并将项目按照从大到小的预测概率在当前会话中展示出来。技术研发人员：湛勇,陈中豪,邓国磊,余绍亮,李文博受保护的技术使用者：青岛飞熊领鲜数字科技有限公司技术研发日：技术公布日：2024/11/14