一种基于社交平移模型的序列化推荐方法

背景技术：

1、推荐系统作为一种有效缓解信息过载问题的技术，已被广泛应用于电商、位置服务以及短视频平台等领域。在序列化推荐任务中，用户的历史行为反映其稳定的长期偏好，近期行为则展示了用户的短期兴趣。而如何建模用户的长期偏好与短期兴趣仍是提升模型精度的一个关键问题。

2、序列化推荐早期主要关注基于分解的个性化马尔科夫链方法，通过矩阵分解获取用户的长期偏好，并基于一阶马尔科夫链捕获用户的短期兴趣。后期研究表明，从用户近期访问的多个物品中(即高阶马尔科夫链)挖掘序列化模式有助于增强模型的推荐精度。随着深度学习的不断发展，许多研究转向设计基于深度神经网络的序列化推荐模型。其中，基于循环神经网络的方法通过隐藏状态来挖掘物品之间的序列化模式并取得了一定进展。基于卷积神经网络的方法则将目标用户的高阶马尔科夫链视为一张“图片”并采用不同卷积核来捕获用户的短期兴趣。不同于上述两种做法，基于transformer的方法运用自注意机制来探索物品间的序列化模式，并取得了显著进展。然而，这些方法主要关注于用户自身的行为信息，而忽略了不同用户之间的社会化影响。

3、近期工作表明，建模物品之间序列关系与刻画用户之间的社交关系对于预测用户下一个感兴趣的物品是同等重要的。例如，在基于会话的社会化推荐中，作者们运用异构图神经网络来捕获静态的社会化影响，并构建会话有关的模块来捕获序列化模式。尽管该框架取得了良好的推荐效果，但存在3个局限性:

4、(1)无法有效捕捉用户的长期偏好。在表征学习过程中，该方法仅使用原始的节点表征来刻画用户长期偏好而忽略了交互图中的协同信号，这使得不活跃用户难以获得高质量的长期表示。

5、(2)未能同时捕获序列化模式和动态社会化影响。为了诠释该局限性，图1展示了兴趣点推荐场景中的简单示例。基于bob的过往签到记录，那么他未来更可能打卡何处，倘若忽略他的社交关系，根据其他四个用户的行为记录，那么为bob推荐餐馆或电影院均合适。但却难以确定哪一个更符合bob的当前喜好。相反，如果融入他的社交关系，其朋友alice对bob的决策影响更大，推荐餐馆显然是最佳选择。此外，在不同时刻每个朋友对于目标用户的决策影响程度也会不同。例如，考虑到alice和bob都曾访问过面包店，那么在t1时刻朋友alice对bob的决策影响更大。而在t2时刻bob刚刚去过健身房，那么采纳同为健身爱好者john建议的可能性更大。

6、(3)无法充分衡量用户与物品之间的交互强度。在建模用户的长期偏好和短期兴趣之后，大多数序列化推荐方法采用内积作为交互函数来衡量用户与物品之间的交互强度。尽管这种方式是一个普遍且直接的选择，但却不满足三角不等式，进而降低了模型的泛化能力。

技术实现思路

1、针对上述问题，本发明公开一种基于社交平移模型的序列化推荐方法，包含4个组件：表征初始化模块、门控图卷积模块、联合门单元模块以及社交提升平移机制。本发明首先将用户和物品投影到潜在空间，并额外为每个用户初始化一个向量用于捕获动态社会化影响，为每个物品初始化一个向量用于捕获序列化模式；为了有效挖掘用户-物品二部图中的协同信号，本发明设计门控图卷积模块聚合邻域节点特征来更新目标节点的表征，进而捕获用户的长期偏好；随后采用联合门单元模块同时捕获序列化模式以及动态社会化影响，以刻画用户的短期兴趣；为了将用户的长期偏好与短期兴趣进行有机融合，本发明进一步构建了社交提升的平移机制来刻画用户与物品之间的交互关系。

技术特征：

1.一种基于社交平移模型的序列化推荐方法，其特征在于，(1)强调了刻画动态社会化影响和物品之间的序列化模式对于推荐系统研究的深远意义；(2)引入了门控图卷积模块来建模用户的长期偏好，使得本发明可以在表征学习过程中显式捕获用户-物品二部图中的协同信号；(3)设计了联合门单元模块同时捕获物品之间的序列化模式以及动态社会化影响，使得本发明不仅可以从高阶马尔科夫链中选择最相关的物品，而且可以动态区分不同朋友对于目标用户未来决策的贡献度；(4)构建了社交提升的平移机制来衡量用户与物品之间的交互强度。

2.根据权利要求1所述的一种基于社交平移模型的序列化推荐方法，其特征在于，模型的数据输入为用户行为序列su、用户-物品二部图g以及社交关系图

3.根据权利1和2所述的推荐方法，其特征在于，在表征初始化模块，将给定的用户和物品分别初始化为特征向量eu和ei，同时为每个物品初始化一个特征向量vi用于捕获序列化模式，为每个用户初始化一个特征向量qu用于捕获社会化影响。

4.根据权利要求1、2和3所述的推荐方法，其特征在于，在门控图卷积模块，采用近邻聚合操作收集邻域节点特征以显式建模用户-物品交互图中的协同信号。具体为：

5.根据权利要求1、2、3和4所述的推荐方法，其特征在于，经过图卷积模块得出每个用户和物品在不同层的表征后，采用门单元来生成用户和物品的最终表征，使得本发明可以自适应抉择不同阶邻居对于目标节点表征生成的贡献度。

6.根据权利1、2、3和5所述的推荐方法，其特征在于，在联合门单元模块中，为了能够个性化以及自适应的捕获序列化模式，本发明采用物品相关门单元将用户近期行为所构成的l阶马尔科夫链整合到单个向量中，并使用可训练矩阵p来强调物品次序信息的重要性。

7.根据权利1、2、3、5和6所述的推荐方法，其特征在于，在联合门单元模块中，通过社会感知门单元来动态建模社交关系对于用户决策的影响，使得本发明能够自适应区分每个朋友在不同时刻下对于目标用户兴趣的影响。

8.根据权利1、2、3、5、6和7所述的推荐方法，其特征在于，在执行完门控图卷积模块和联合门单元模块后，可得到用户的长期偏好含有序列化模式的短期兴趣zu(t)以及含有动态社会影响的短期兴趣yu(t)。为了将用户的长期偏好与短期兴趣进行有机融合，本发明设计了社交提升的平移机制来刻画用户与物品之间的交互强度。

技术总结
本发明公开了一种基于社交平移模型的序列化推荐方法。序列化推荐帮助用户发现潜在感兴趣的物品，其已经发展成为学术界和工业界的研究热点。通过研究社交关系对于序列化推荐任务的动态影响，发明人提出一种新的推荐方法——基于社交平移模型的序列化推荐。具体而言，本发明首先通过引入门控图卷积模块建模用户长期偏好，然后采用联合门单元模块动态捕获序列化和社会化两种模式。此外，为了刻画用户与物品之间的交互强度，本发明设计了一种社交提升的平移机制。

技术研发人员：吴宾,苏勋,钟李红,梁慧丹,叶阳东
受保护的技术使用者：郑州大学
技术研发日：
技术公布日：2024/1/15