1.一种基于图神经网络的序列推荐系统,其特征在于,包括构图模块(1)、第一获取模块(2)、第二获取模块(3)和推荐模块(4),所述构图模块(1)与第一获取模块(2)相连,所述第一获取模块(2)与第二获取模块(3)相连,所述第二获取模块(3)与推荐模块(4)相连;
构图模块(1):用于根据用户的历史行为数据,构建产品交互转移图,并获取所述产品交互转移图的邻接矩阵;
第一获取模块(2):用于将所述产品交互转移图的邻接矩阵与随机初始化的产品特征表示矩阵,输入至构建的层次图神经网络模型中,获取更新后的产品特征表示矩阵及产品类别的特征表示矩阵;
第二获取模块(3):将第一获取模块(2)的输出信息及用户历史行为数据作为输入信息,采用注意力机制,将用户有过行为的产品的特征信息及类别信息进行融合,获取用户的特征表示向量;
推荐模块(4):将第一获取模块(2)得到的产品特征信息与第二获取模块(3)得到的用户特征信息作为输入,计算用户与系统中产品的匹配程度,根据匹配程度的排序,为目标用户生成包含N个产品的推荐列表。
2.根据权利要求1所述的一种基于图神经网络的序列推荐系统,其特征在于,所述第二获取模块(3)包括:第一获取子模块(31)、第二获取子模块(32)和第三获取子模块(33),所述第一获取子模块(31)和第二获取子模块(32)均与第三获取子模块(33)相连;
第一获取子模块(31):用于根据所述的用户历史行为数据、产品特征表示矩阵及产品类别特征表示矩阵,融合用户有过行为的所有产品的特征信息及类别信息,获取用户的长期兴趣特征表示向量;
第二获取子模块(32):用于根据所述的用户历史行为数据、产品特征表示矩阵及产品类别特征表示矩阵,融合用户最近一次有过行为的产品的特征信息及类别信息,获取用户的短期兴趣特征表示向量;
第三获取子模块(33):将第一获取子模块(31)与第二获取子模块(32)的输出信息作为输入,用于融合用户的长期兴趣特征表示向量与短期兴趣特征表示向量,获取目标用户的特征表示向量。
3.根据权利要求1所述的一种基于图神经网络的序列推荐系统,其特征在于,所述推荐模块(4)包括匹配模块(41)和生成推荐列表模块(42),所述匹配模块(41)与第一获取模块(2)和第二获取模块(3)相连,所述生成推荐列表模块(42)与匹配模块(41)相连;
匹配模块(41):将第一获取模块(2)得到的产品特征信息与第二获取模块(3)得到的用户特征信息作为输入,采用内积计算方式,计算目标用户与系统中产品的匹配程度;
生成推荐列表模块(42):对得到的用户与产品的匹配程度进行排序,为目标用户生成包含N个最高匹配程度产品的列表。
4.根据权利要求1‑3中任意一项所述的序列推荐方法,其特征在于:包括以下步骤:步骤S1:根据用户的历史行为数据,构建产品交互转移图,所述产品交互转移图为有向无环图,用邻接矩阵A表示;
步骤S2:根据所述产品交互转移图与原始产品特征表示矩阵,构建包含L层的层次图神经网络模型,获取更新后的产品特征表示矩阵及其所属类别的特征表示矩阵;
步骤S3:根据所述的用户历史行为数据、产品特征表示矩阵及产品所属类别的特征表示矩阵,获取用户特征表示矩阵;
步骤S4:根据所述用户特征表示矩阵及所述产品特征表示矩阵,计算用户与系统中产品的匹配程度;
步骤S5:将匹配程度从高到低进行排序,为用户推荐出匹配程度最高的前N个产品。
5.根据权利要求4所述的序列推荐方法,其特征在于,所述产品交互转移图的邻接矩阵用归一化计算:
其中wij表示交互转移图中节点i与节点j之间的连边权重。
6.根据权利要求4所述的序列推荐方法,其特征在于,所述步骤S2中的层次图神经网络模型的构建步骤具体为:
步骤S2.1:以步骤S1中的邻接矩阵A与原始的产品特征表示矩阵X为输入信息,首先在每层搭建两个图卷积神经网络,分别为:Vl=GCNl,embedding(Al,Xl)Ml=softmax(GCNl,pooling(Al,Xl))其中,Al与Xl分别为第l层的产品邻接矩阵与产品特征表示矩阵,Vl是第l层得到的更新后的产品特征表示矩阵,Ml为第l层得到的产品对类别的隶属度矩阵,softmax(·)为用于做归一化的softmax函数;
步骤S2.2:在得到第l层的Vl与Ml后,计算下一层的输入矩阵Al+1与Xl+1:T
Xl+1=Vl·Ml
步骤S2.3:计算类别特征表示矩阵:C=VL·ML;
步骤S2.4:计算产品对类别的隶属度矩阵:
7.根据权利要求4所述的序列推荐方法,其特征在于,所述步骤S3中获取用户的特征表示矩阵包括以下步骤:
步骤S3.1:获取用户的长期兴趣表示向量:sg=[sgv;sgc];
步骤S3.2:获取用户的短期兴趣表示向量:sl=[slv;slc];
步骤S3.3:计算用户的最终特征表示。
8.根据权利要求7所述的序列推荐方法,其特征在于,所述步骤S3.1中获取用户的长期兴趣表示向量sg的计算过程如下:u
步骤S3.1.1:计算用户的全局产品特征表示向量: 其中S 为用户u有过交互的产品集合,vi为矩阵V的第i行向量;
步骤S3.1.2:计算用户的全局产品类别表示向量: 其中mi为M的第i行向量;
步骤S3.1.3:计算用户的长期兴趣表示向量:sg=[sgv;sgc]。
9.根据权利要求7所述的序列推荐方法,其特征在于,所述步骤S3.3中计算用户的最终特征表示的计算过程如下:
步骤S3.3.1:拼接每个用户的sg与sl得到初步的每个用户的特征表示s′=[sg;sl];
步骤S3.3.2:采用注意力机制学习s′中每一项的权重,采用加权平均方式计算引入权T
重后的用户特征表示s″=α·s′,其中α=σ(s′·W1+b)·V ,σ(·)为sigmoid函数,W1,b,V为待学习的参数;
步骤S3.3.3:计算目标用户u的最终特征表示:su=W2[s″;slv;slc]。
10.根据权利要求4所述的序列推荐方法,其特征在于,所述步骤S4中的用户与系统中产品的匹配程度为用户特征表示向量与产品特征表示向量的内积。