1.一种考虑重复购买行为的会话推荐方法，其特征在于：根据用户当前交互会话序列中的辅助行为(auxiliary behavior)序列，得到用户辅助行为(购买)表征；用户当前交互的会话可以表示为ST＝{x1，x2，…，xτ，…，xt}，其中，xτ代表第τ个物品，T表示当前会话的时间段下标，且ST的向量表征为{x1，x2，…，xτ，…，xt}，其中d是物品向量表征的长度；ST表示当前会话中所有交互的物品序列，其中，购买行为序列为 且 AT的向量表征为 通常，在推荐系统中，把交互序列中的交互类型叫做目标类型(target type)，把购买行为类型叫做辅助类型(auxiliary type)；采用平均池(mean‑pooling)对购买行为序列进行表征，如下：是其中，AT是当前会话中的购买行为序列，是购买行为序列AT中购买的物品， 是物品a

的向量表示，|AT|表示序列AT的个数，p是购买行为序列表征；

s

根据用户当前交互会话序列，得到用户短期兴趣表征p ；本方法采用门控循环单元网络(GRU)对用户当前交互序列进行表征；GRU的输入序列为ST＝{x1，x2，…，xτ，…，xt}；最后得到当前会话序列表征为 用户短期兴趣(short‑terminterest)表征为前会话序列表征l

更新用户长期兴趣(long‑term interest)表征p ；用户当前会话所在时间为T，用户历史所有会话表征仍然采用门控循环单元网络(GRU)结构得到，此时用户历史会话表征序列为 用户长期兴趣的序列性不强，因此采用平均池(mean‑pooling)获l

得用户较为稳定的长期兴趣表征p：其中，ZT‑1为时间T之前的用户历史会话表征列表，zτ为第τ个用户历史会话表征，|ZT‑1|l

表示序列ZT‑1的个数；p是用户的长期兴趣表征；

根据用户的短期和长期兴趣表征，在重复推荐模式和探索推荐模式中选择；在本方法l

中，基于用户的当前会话ST和用户长期兴趣p ，用户下一个交互物品xt+1的概率P(xt+1|ST，l l l l l

p)可以进一步分解为：P(xt+1|ST，p)＝P(r|ST，p)P(xt+1|r，ST，p)+P(e|ST，p)P(xt+1|e，ST，l

p)

l

其中，r和e分别代表重复模式(repeat mode)和探索模式(explore mode)；P(r|ST，p)l l

和P(e|ST，p)代表基于当前序列ST和用户长期兴趣p ，计算重复模式和探索模式的概率；Pl l

(xt+1|r，ST，p)和P(xt+1|e，ST，p)分别代表在重复模式和探索模式下，推荐物品xt+1的概率；

l l

判断推荐模式采用重复模式还是探索模式也就是计算概率P(r|ST，p)和P(e|ST，p)；

在重复模式下，根据用户的短期、长期兴趣表征和辅助行为(购买)表征，在用户历史购买的物品序列中进行推荐；令用户历史消费序列为BT‑1＝{x1，x2，…，xl}，用户历史消费序列BT‑1的向量表征为 其中上标a表示购买行为(auxiliary behavior)；那么，在重l

复模式下，用户历史购买的物品的推荐概率P(xτ|r，ST，p)是：其中， 是用户历史消费序列中第τ个物品xτ的向量表征，且Wrs，Wrl， 和s l a

是模型参数，共同决定了第τ个物品xτ的重要程度，V代表物品集合；p 、p和p分别为用户短期、长期兴趣表征以及当前会话中的辅助(消费)行为表征；从公式中可以看出，历史购买的物品和当前购买物品越相似，推荐该物品的概率越低；

在探索模式下，根据用户的短期兴趣表征和用户长期兴趣，对不在用户历史购买的物l

品序列中的物品进行推荐，物品推荐概率计算公式P(xτ|e，ST，p)为：s l

其中，xτ为物品集合V‑BT‑1中的物品xτ的向量表征；p和p分别为用户短期和长期兴趣表l

征；对于xτ∈BT‑1的物品， 也就是推荐概率P(xτ|e，ST，p)＝0；

构建损失函数，训练模型参数；采用对数似然损失函数：l

其中， 是训练集中所有的会话序列；P(xτ|ST，p)是上文中提到的概率，表示基于用户l

的当前会话ST和用户长期兴趣p ，预测用户下一个交互物品xτ的概率，xτ是会话序列中真实交互的物品；我们采用Adam优化器更新模型参数。

2.根据权利要求1所述的一种考虑重复购买行为的会话推荐方法，其中，所述对用户当前交互序列进行表征的门控循环单元网络(GRU)具体公式为：zτ＝σ(Wxz·xτ+Whz·hτ‑1)rτ＝σ(Wxr·xτ+Whr·hτ‑1)其中，rτ是重置门(reset gate)，zτ为更新门(update gate)，这两个门控向量决定了哪些信息能作为门控循环单元的输出； 是当前记忆内容；xτ是当前层的节点输入；

和 分别是控制更新门zτ和重置门rτ的参数；

和 是控制前记忆内容 的参数；⊙是元素级别的矩阵相乘，σ是sigmoid函数；当前会话序列表征为

3.根据权利要求1所述的一种考虑重复购买行为的会话推荐方法，其中，所述用于判断l l

推荐模式采用重复模式还是探索模式的概率P(r|ST，p)和P(e|ST，p)具体为：s l

其中， 是模型权重参数，p和p 分别是用户动态的短期兴趣表征和静态的长期兴趣表征； 表示向量连接操作，softmax是softmax函数，在本方法是一个二分类方法；

从公式中可以看出，选择重复模式(repeat mode)和探索模式(explore mode)是一个二分类问题，且是一个软分类(soft classification)问题。