欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022101677061
申请人: 河海大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于图神经网络和知识图谱的会话推荐方法,其特征在于,所述方法包括以下步骤:步骤S1:将由物品集合V组成的所有会话集合S建模为会话图Gs,遍历会话图得到会话图的邻接矩阵A和度矩阵D,并为会话图中的物品节点集合设置随机初始化的特征矩阵X,对特(0)征矩阵X做线性变换,得到变换后的特征矩阵H ;

(0)

步骤S2:将H 、邻接矩阵A和度矩阵D作为图卷积神经网络的输入,使用图卷积神经网络对会话图做图卷积操作,并赋予时间和流行度权重得到当前会话中每个物品节点的嵌入向量,使用注意力机制获得会话的动态全局嵌入向量Sg;

步骤S3:使用图注意力网络聚合物品实体在物品知识图谱中的k跳邻域,得到当前会话中最后一个物品的局部嵌入向量Sl;

步骤S4:组合动态全局嵌入向量Sg和局部嵌入向量Sl,生成最终的会话混合嵌入向量Semb;

步骤S5:对会话混合嵌入向量Semb和每个物品的嵌入进行内积计算,使用softmax函数得到每个物品的点击概率,即每个候选物品会被下一步交互的可能性概率 根据概率概率得到最终推荐结果。

2.如权利要求1所述的基于图神经网络和知识图谱的会话推荐方法,其特征在于,所述步骤S1包括:

1 2 m p m

步骤S1‑1:令V={v,v ,...v ,...,v}表示所有会话中包含的物品的总集合,其中v 表示第m个物品,p代表物品总个数;令S={s1,s2,...si...,sq}表示会话图中所有会话的总集合,其中si表示某一条会话,q代表会话图中包括的会话的总条数;一条会话si由多个物品组成,将这些物品按照时间戳排序作为一条会话的表示: 其中表示用户在会话si中与某个物品进行了第j次交互,1≤j≤n,n表示用户在会话si中共有n次交互;

步骤S1‑2:将会话集合S建模为会话图Gs=(Vs,Es),其中Vs表示会话图节点集合,Es表示会话图边的集合,会话图中每个节点代表一个物品 每条边 表示用户在某一条会话si中先与物品 发生了交互,之后还与物品 发生了交互;

步骤S1‑3:遍历会话图得到会话图的邻接矩阵A和度矩阵D;

步骤S1‑4:为会话图中的物品节点集合设置一个随机初始化的特征矩阵X,也叫做节点的特征向量(0)

步骤S1‑5:对随机初始化的特征向量X做线性变换,得到变换后的特征矩阵,记为H ,H(0)=WX+b,其中W表示参数矩阵,b表示偏置向量。

3.如权利要求1所述的基于图神经网络和知识图谱的会话推荐方法,其特征在于,所述步骤S2包括:(0)

步骤S2‑1:将H 、邻接矩阵A和度矩阵D作为图卷积神经网络的输入,通过公式进行传播学习,其中 其中I为单位(l) (l+1)

矩阵,W 表示第l层的权重矩阵,σ表示非线性激活函数;H 表示物品节点向量在图卷积(l+1)神经网络里传播第l+1层的结果,H 也表示经过学习得到得最终特征矩阵其中第i个会话中的第j个物品节点的初始

化嵌入表示向量定义为:

步骤S2‑2:使用会话图中每个节点的出现频率,计算物品节点的流行度权重步骤S2‑3:使用会话图中每个节点的时间戳,计算物品节点的时间权重步骤S2‑4:将得到的物品节点的流行度权重 和时间权重 乘以初始化节点嵌入表示 得到赋予总权重的物品节点的嵌入表示步骤S2‑5:使用注意力机制获得整个会话的嵌入表示Sg。

4.如权利要求3所述的基于图神经网络和知识图谱的会话推荐方法,其特征在于,所述步骤S2‑2中计算公式如下:j

其中, 表示单个物品节点v 的物品流行度权重, 表示物品节点在所有会话中出现的总次数。

5.如权利要求3所述的基于图神经网络和知识图谱的会话推荐方法,其特征在于,所述步骤S2‑3中计算公式如下:j

其中, 表示单个物品节点v的时间权重, 表示当前会话中物品节点的时间戳。

6.如权利要求1所述的基于图神经网络和知识图谱的会话推荐方法,其特征在于,所述步骤S3包括:步骤S3‑1:使用TransR模型将物品知识图谱中的头实体h和尾实体t、以及它们之间的关系r表示为初始化嵌入向量:头实体的嵌入表示为eh、尾实体的嵌入表示为et、关系的嵌入表示为er,其中头实体h为当前会话si中的最后一个物品步骤S3‑2:进行多层注意力嵌入传播的操作的第一步:基于知识的注意力机制,得到信息传播中的权重π(h,r,t);

步骤S3‑3:进行多层注意力嵌入传播的操作的第二步:消息传播,得到头实体h进一步的嵌入表示步骤S3‑4:进行多层注意力嵌入传播的操作的第三步:信息聚合,得到聚合邻居信息后(k)的头实体h的嵌入表示eh ;

步骤S3‑5:经过连接操作,得到当前会话的最后一个物品 的嵌入表示 也称作会话的局部表示Sl。

7.如权利要求1所述的基于图神经网络和知识图谱的会话推荐方法,其特征在于,所述步骤S5包括:步骤S5‑1:在获得当前会话的混合嵌入Semb后,计算每个候选物品的分数其中 是当前会话Si中第j个物品节点的嵌入表示;

步骤S5‑2:使用一个softmax函数得到模型的输出向量 即候选物品出现在当前会话si中的下一次交互的概率。

8.一种基于图神经网络和知识图谱的会话推荐系统,其特征在于,包括:会话图构建模块:用于将由物品集合V组成的所有会话集合S建模为会话图Gs,遍历会话图得到会话图的邻接矩阵A和度矩阵D,并为会话图中的物品节点集合设置随机初始化的特(0)征矩阵X,对特征矩阵X做线性变换,得到变换后的特征矩阵H ;

(0)

图卷积操作模块:用于将H 、邻接矩阵A和度矩阵D作为图卷积神经网络的输入,使用图卷积神经网络对会话图做图卷积操作,并赋予时间和流行度权重得到当前会话中每个物品节点的嵌入向量,使用注意力机制获得会话的动态全局嵌入向量Sg;

知识图谱聚合模块:用于使用图注意力网络聚合物品实体在物品知识图谱中的k跳邻域,得到当前会话中最后一个物品的局部嵌入向量Sl;

嵌入组合模块:用于组合动态全局嵌入向量Sg和局部嵌入向量Sl,生成最终的会话混合嵌入向量Semb;

推荐概率输出模块:用于对会话混合嵌入向量Semb和每个物品的嵌入进行内积计算,使用softmax函数得到每个物品的点击概率,即每个候选物品会被下一步交互的可能性概率根据概率概率 得到最终推荐结果。

9.一种计算机设备,其特征在于,包括:

一个或多个处理器;

存储器;以及

一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如权利要求1‑7中任一项所述的基于图神经网络和知识图谱的会话推荐方法的步骤。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1‑7中任一项所述的基于图神经网络和知识图谱的会话推荐方法的步骤。