1.一种异构多视图增强子序列单元学习的会话推荐方法,其特征在于,包括如下步骤,S1:视图构建阶段,将会话序列构建为单视图和异构多视图;所述单视图通过单个会话序列构建,所述异构多视图通过多个会话序列构建;
S2:嵌入学习阶段,使用混合读取函数学习不同尺度视图之间的嵌入;
S3:利用融合层将来自两种视图的信息进行聚合,生成会话级的嵌入向量;
S4:结果预测阶段,通过样本自适应损失函数对所有物品进行评分,并推荐得分最高的物品;
所述步骤S2中会话序列被构建成单视图和异构多视图后的嵌入学习阶段包括单视图注意网络与异构多视图神经网络获取物品和子序列的嵌入;
所述单视图注意网络基于单视图中物品之间的转移关系,旨在学习单个物品之间的相关性;单视图中的任一物品xi被映射到嵌入空间,从而得到对应的嵌入向量;采用图注意力网络来捕获物品与其他物品之间的关联度eij:eij=LeakyRelu(Wij(xi⊙xj));
利用LeakyRelu激活函数计算物品之间的影响度,xi⊙xj表示向量xi和xj的元素级乘积,Wij是可学习的参数;
通过Softmax函数进行归一化:
是物品xi的1阶邻居集合,αij表示物品与其邻居之间的转化关系;对邻居信息进行加权求和,得到该物品的最终特征表示:单视图中所有物品级嵌入向量的集合表示为XSV-GAT;物品嵌入向量通过多层注意力网络进行更新,公式为:l1表示SV-GAT的注意力层数,As表示存储物品之间交互关系的归一化值;
所述异构多视图神经网络中的每个节点由多个连续的物品组成;对于长度为l*的子序列,为了学习该子序列的完整意图,设计了混合读取函数RH来生成异构子序列的嵌入向量mi,公式如下:对于长度为l*的子序列该子序列的最终意图通过以下公式计算:
和分别保留了子序列的顺序不变意图和顺序敏感意图;所有子序列的集合表示为M。
2.根据权利要求1所述的异构多视图增强子序列单元学习的会话推荐方法,其特征在于,所述步骤S1中单视图定义为Gs=(Xs,Es),其中Xs是会话序列s交互过的项目集合,是有向边的集合;每条边记录了项目之间的交互,表示匿名用户按顺序点击了项目xi和xj;每个项目都有一个自环,通过自连接边rself表示;定义前向信息传播rin和反向信息传播rout,rin表示信息从xi到xj的传递,而rout则表示在相同条件下,从xj到xj的信息传递;单视图中的连接强度通过邻接矩阵As存储,该矩阵记录了|Xs|个不重复项目之间的交互关系,并且两个项目之间的交互强度定义为:k1表示在邻接矩阵As的行归一化后的结果。
3.根据权利要求2所述的异构多视图增强子序列单元学习的会话推荐方法,其特征在于,所述步骤S1中异构多视图结构用于表示项目之间在多个粒度下的关系,异构多视图中的每个节点由多个连续的项目组成,这些项目来自同一批次会话中的子序列;异构多视图其中是子序列的集合;任意一个子序列其中l*表示当前子序列中连续项目的数量;当l*=1时,多视图退化为单视图;是边的集合,表示子序列的连接数;表示从子序列到的有向边,两个子序列的长度均为l*;邻接矩阵存储了子序列和之间的交互频率:k2是在邻接矩阵中的行归一化后的结果。
4.根据权利要求1所述的异构多视图增强子序列单元学习的会话推荐方法,其特征在于,所述异构多视图神经网络基于异构多视图中的转移关系捕捉高维用户意图信息,采用了多头注意力机制,对于单个头的注意力,其计算公式如下:headi=Attention(MWiQ,MWiK,MWiV);
WiQ、WiK和WiV是第i个头的可学习参数,多头注意力机制的操作是将n个单头注意力网络的结果进行拼接,并通过softmax函数进行归一化;
形成会话序列的潜在向量表示:
MHMV-GNN=Multi-Attention(M;Watt)=[head1,…,headn]WattWatt表示多头注意力网络的可学习参数;
在通过信息传递至l2层后,最终的嵌入向量表示为:
M和MHMV-GNN分别表示异构多视图中所有子序列的初始向量和学习得到的向量。
5.根据权利要求4所述的异构多视图增强子序列单元学习的会话推荐方法,其特征在于,所述步骤S3在信息聚合前,对单视图和多视图两级信息进行学习时引入Dropout操作:单视图注意网络与异构多视图神经网络对应的物品级和子序列级嵌入表示分别从和中提取;对于每个会话,这两类嵌入表示分别记为XSV-GAT和MHMV-GAT;对子序列级别生成单独的会话嵌入表示;给定一个会话s及其对应的子序列单元其中l*表示子序列中的连续物品数量,选取最后一个子序列作为局部表示;计算局部表示和上下文的影响权重,并采用软注意力机制计算注意力分数从而生成子序列的全局表示:和为可学习的权重矩阵,是偏置向量,通过信息拼接生成异构多视图内容的嵌入表示公式如下:||表示拼接操作,为可学习参数;子序列级嵌入包含子序列的全局视图和局部视图的信息;
通过用户在单视图图中的最后一次点击的物品xl∈XSV-GAT生成最终的会话级嵌入表示sf:μ为可调参数,用于控制会话信息和最后点击物品信息之间的权重分配。
6.根据权利要求5所述的异构多视图增强子序列单元学习的会话推荐方法,其特征在于,所述步骤S4中将会话嵌入sf与初始物品向量xi进行交互,并通过softmax函数选出与当前会话最可能交互的下一物品通过样本自适应损失函数对所有物品进行评分,该损失函数引入调制因子SAi,并加到交叉熵损失函数中;根据样本的预测偏差分配权重:LSA=-∑(2-2·SAi)τlog(SAi)
yi表示下一次点击物品的真实标签,τ为温度系数;SA损失函数根据样本的预测偏差分配权重;当τ减小时,调制因子减少简单样本的损失贡献;相反,当τ增加时,更多地关注高置信度样本及其贡献。