一种基于结构增强的图卷积神经网络会话推荐方法

1.一种基于结构增强的图卷积神经网络会话推荐方法，其特征在于：首先获取目标会
话文本的会话表示；然后基于会话表示生成对应的会话图，进而通过会话图识别目标会话
文本中的噪声项目；再结合注意力机制重置噪声项目的注意力权重，以消除噪声项目的影
响；最后计算最终预测概率分布，并基于最终预测概率分布进行项目推荐。
2.如权利要求1所述的基于结构增强的图卷积神经网络会话推荐方法，其特征在于，具
体包括以下步骤：
S1：获取目标会话文本；
S2：将目标会话文本输入经过预先训练的会话推荐模型中；
所述会话推荐模型首先通过融合嵌入模块从三个角度分别提取目标会话文本的局部
嵌入表示、全局嵌入表示和共识嵌入表示；再通过重复预测模块计算对应的重复预测概率；
然后通过探索预测模块识别目标会话文本中的噪声项目、消除噪声项目的影响，并计算对
应的探索预测概率；最后通过判断模块基于重复预测概率和探索预测概率计算对应的最终
预测概率分布；
S3：基于会话推荐模型输出的最终预测概率分布进行项目推荐。
3.如权利要求2所述的基于结构增强的图卷积神经网络会话推荐方法，其特征在于：所
述融合嵌入模块包括用于基于目标会话文本生成全局表示的动态全局邻居注意力网络，以
及用于基于目标会话文本的局部表示和全局表示融合生成对应的局部嵌入表示、全局嵌入
表示和共识嵌入表示的多通道图卷积神经网络。
4.如权利要求3所述的基于结构增强的图卷积神经网络会话推荐方法，其特征在于，所
述动态全局邻居注意力网络通过如下步骤生成全局表示：
S201：对目标会话文本 进行编码，得到对应的局部表示
S202：从候选项目集合V＝{v1,v1,…,v|V|}中提取K个候选项目vj∈V作为目标项目
的全局邻居
S203：基于全局邻居 生成对应的全局邻居嵌入表示
S204：通过注意力池化机制聚合目标项目 的全局邻居嵌入表示 得到
目标项目 的全局表示
其中，
S205：计算各个目标项目 的会话全局表示 并生成目标会话文本S的全局表示
上述式中： 表示可训练参数；[；]表示拼接操作。
5.如权利要求4所述的基于结构增强的图卷积神经网络会话推荐方法，其特征在于，所
述多通道图卷积神经网络通过如下步骤生成局部嵌入表示、全局嵌入表示和共识嵌入表
示：
L,(l‑1) L,(l‑1)
S211：基于局部表示 构造对应的局部图A ，并通过局部图A 计算
对应的局部嵌入表示
其中，
G,(l‑1) G,(l‑1)
S212：基于全局表示 构造对应的全局图A ，并通过全局图A 计
算对应的全局嵌入表示
其中，
L,(l‑1) G,(l‑1) M,(l‑1)
S213：基于局部图A 和全局图A 融合生成对应的共识图A ；
其中，
M,(l‑1)
S214：通过共识图A 计算对应的共识嵌入表示
其中，
上述式中：HWGCN表示多通道图卷积神经网络；l表示多通道图卷积神经网络的层数；
表示第l‑1层HWGCN输出的局部嵌入表示； 表示第l‑1层HWGCN输出的全局嵌入表
示； 表示第l‑1层HWGCN输出的共识嵌入表示；σ表示Sigmoid函数； 表示可训练
参数。
6.如权利要求5所述的基于结构增强的图卷积神经网络会话推荐方法，其特征在于：所
述会话推荐模型还包括图增强的位置编码器；
M,(l‑1)
所述位置编码器通过共识图A 计算对应的位置嵌入表示
其中，
位置编码器的结构表示为：
上述式中： 表示目标会话文本S中第i个位置的位置嵌入；Slen表示目标会话文本S
的会话长度； 表示会话长度Slen的嵌入表示。
7.如权利要求6所述的基于结构增强的图卷积神经网络会话推荐方法，其特征在于，重
复预测模块通过如下步骤计算重复预测概率：
S221：基于局部嵌入表示 全局嵌入表示 共识嵌入表示 和位置嵌入表示
计算对应的新会话表示
其中，
S222：基于新会话表示Xs结合如下公式计算重复预测概率
其中，
上述式中： 表示可训练参数； 表示聚合了会话中第j个项
目 的局部表示、全局表示、共识表示以及其位置嵌入后的综合表示。
8.如权利要求7所述的基于结构增强的图卷积神经网络会话推荐方法，其特征在于，探
索预测模块包括用于消除噪声项目影响的图增强注意力网络；
图增强注意力网络通过如下步骤消除噪声项目的影响：
S231：基于局部嵌入表示 建立对应的错误点击集合 通过错误点击集合 结
合位置嵌入表示 计算对应的长期偏好 结合长期偏好 和局部嵌入表示 中的当
前偏好 计算对应的会话局部表示
其中，
S232：基于全局嵌入表示 建立对应的错误点击集合 通过错误点击集合 结
合位置嵌入表示 计算对应的长期偏好 结合长期偏好 和全局嵌入表示 中的当
前偏好 计算对应的会话全局表示
S233：基于共识嵌入表示 建立对应的错误点击集合 通过错误点击集合 结
合位置嵌入表示 计算对应的长期偏好 结合长期偏好 和共识嵌入表示 中的当
前偏好 计算对应的会话共识表示
S234：结合会话局部表示 会话全局表示 和会话共识表示 计算对应的会话结
构表示
其中，
上述式中： 表示可训练参数。
9.如权利要求8所述的基于结构增强的图卷积神经网络会话推荐方法，其特征在于，探
索预测模块通过如下步骤计算探索预测概率：
S241：通过Bi‑GRU模块结合局部嵌入表示 全局嵌入表示 和共识嵌入表示 计
算对应的会话顺序表示
其中，
S242：基于会话结构表示 和会话顺序表示 计算对应的探索预测概率
其中，
上述式中： φgru表示可训练参数；LayerNorm表示归一
化； 表示候选项目集合V中第i个项目的嵌入表示。
10.如权利要求9所述的基于结构增强的图卷积神经网络会话推荐方法，其特征在于，
判断模块通过如下公式计算最终预测概率；
其中，
上述式中： 表示可训练参数；or和se分别表示重复预测模块和探索预测模块的会
话表示；δ表示超参数。

暂无