一种基于二阶聚合的图卷积循环神经网络的会话推荐方法与流程

技术特征：
1.一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，其特征在于，包含以下步骤：步骤s0，根据会话序列构建有向会话图，所述会话图中每个节点代表一个点击项；步骤s1，对每一个点击项进行编码，获得各点击项的低维嵌入向量；步骤s2，将各点击项的低维嵌入向量输入到融合二阶协同信号的图卷积网络及循环神经网络中获得各点击项的潜在向量；步骤s3，根据各点击项的潜在向量学习获得会话的潜在向量；步骤s4，将各点击项的潜在向量和会话的潜在向量相乘，输入至softmax层得到预测点击项。2.根据权利要求1所述的一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，其特征在于，所述点击项的潜在向量构建过程如下：将各点击项的低维嵌入向量输入到融合二阶协同信号的图卷积网络获得各点击项的嵌入向量，接着将各点击项的嵌入向量输入循环神经网络中获得点击项的潜在向量。3.根据权利要求2所述的一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，其特征在于，所述点击项的嵌入向量构建过程如下：步骤s20，堆叠l个图卷积层，获得点击项的第l层二阶协同信号步骤s20，堆叠l个图卷积层，获得点击项的第l层二阶协同信号步骤s20，堆叠l个图卷积层，获得点击项的第l层二阶协同信号其中，n为点击项e
i
的所有2阶相邻点击项的集合，为点击项e
j
经过相邻点击项e
k
到点击项e
i
的第l层二阶协同信号，p
i，k，j
是图卷积网络的二阶协同信号强度系数，分别表示点击项e
i
、e
j
的第l
‑
1层嵌入向量；步骤s21，利用点击项的第l层二阶协同信号和l
‑
1层嵌入向量对点击项的嵌入向量进行更新：其中，f
l
代表所有点击项的第l层嵌入向量构建的矩阵，f
l
‑1代表所有点击项的第l
‑
1层嵌入向量构建的矩阵；relu(
·
)为激活函数；运算符表示矩阵的连接操作；s
l(1)
表示所有点击项的第l层一阶协同信号构建的矩阵；s
l(2)
表示所有点击项的第l层二阶协同信号构建的矩阵；表示第l层待学习的权重矩阵。4.根据权利要求3所述一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，其特征在于，所述点击项的潜在向量h
i
构建操作如下：构建操作如下：构建操作如下：
其中，z
i
、r
i
分别是重置门和更新门，代表要舍弃和保留的信息；σ(
·
)表示sigmoid函数；m
z
、m
r
、m
h
∈r
2d
×
d
；u
z
、u
r
、u
h
∈r
d
×
d
是通过模型学习后得到的参数；h
′
i
为候选隐藏状态，tan h为激活函数，
⊙
是按元素乘法符，i∈{1，2，...，n}，n是单个会话中所有点击项的总数。5.根据权利要求4所述一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，其特征在于，步骤s3包含以下步骤：步骤s30，根据各点击项的潜在向量h
i
相加获取全局向量h
g
：步骤s31，将全局向量h
g
和局部向量h
n
进行拼接然后进行线性变换得到会话的潜在向量h
c
：h
c
＝w
c
[h
g
；h
n
]；其中，w
c
是通过模型学习得到的参数矩阵。6.根据权利要求3
‑
5中任一项所述的一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，其特征在于，所述图卷积的层数l＝3。

技术总结
本发明公开了一种基于二阶聚合的图卷积循环神经网络的会话推荐方法，包含以下步骤：步骤S0,根据会话序列构建有向会话图，所述会话图中每个节点代表一个点击项；步骤S1,对每一个点击项进行编码，获得各点击项的低维嵌入向量；步骤S2，将各点击项的低维嵌入向量输入到融合二阶协同信号的图卷积网络及循环神经网络中获得各点击项的潜在向量；步骤S3，根据各点击项的潜在向量学习获得会话的潜在向量；步骤S4，将各点击项的潜在向量和会话的潜在向量相乘，输入至softmax层得到预测点击项。本发明的一种基于二阶聚合的图卷积循环神经网络的会话推荐方法抗噪声能力强、准确性高。准确性高。准确性高。


技术研发人员：王则林 刘欣珂 张玮业 智应颍
受保护的技术使用者：南通大学
技术研发日：2021.08.04
技术公布日：2021/12/3