一种基于图神经网络的长短期兴趣感知协同推荐方法

本发明属于智能推荐，具体涉及一种基于图神经网络的长短期兴趣感知协同推荐方法。

背景技术：

1、随着互联网技术的发展，电子商务、社交媒体、在线娱乐等平台的用户数量呈现爆炸式增长。为了更好地满足用户需求，推荐系统在各类平台中得到了广泛应用。推荐系统通过分析用户的行为数据和兴趣偏好，向用户推荐他们可能感兴趣的内容或商品，从而提升用户体验并增加平台的用户粘性和收益。

2、现有的推荐系统大多依赖于协同过滤（collaborative filtering）、基于内容（content-based）或混合推荐（hybrid recommendation）等传统方法。这些方法虽然在一定程度上能够提供有效的推荐，但它们通常面临着数据稀疏性、以及无法有效捕捉用户兴趣动态变化等挑战。此外，随着用户行为数据的复杂性增加，如何更好地建模用户的短期和长期兴趣，并在推荐系统中准确反映这些兴趣，成为一个亟待解决的问题。

3、近年来，随着深度学习技术的发展，尤其是图神经网络（graph neural networks，gnns）的出现，推荐系统研究迎来了新的突破。图神经网络能够有效处理结构化数据，并捕捉图中节点之间复杂的关系和依赖性，为推荐系统提供了更为丰富的信息表示。然而，现有的基于图神经网络的推荐方法大多集中于单一方面的兴趣建模，未能全面融合用户的短期兴趣与长期兴趣，导致推荐的精确度和个性化程度仍然存在改进空间。

技术实现思路

1、为解决上述背景技术中提出的问题，本发明提出了一种基于图神经网络的长短期兴趣感知协同推荐方法，该方法通过构建用户会话全图，利用有向图神经网络模型对用户的历史行为进行深度挖掘，并结合双向门控循环神经网络（bi-gru）处理用户的短期兴趣；同时，基于用户画像信息和内容相似度，进一步提取用户的长期兴趣，从而实现更加精确和个性化的推荐。

2、本发明一实施例提供了一种基于图神经网络的长短期兴趣感知协同推荐方法，包括以下步骤：

3、s1：输入用户的历史会话数据，将每个独立会话中的项目和它们之间的关系连接到一个统一的有向图结构中，构建用户会话全图；

4、s2：初始化项目的嵌入，利用有向图神经网络在所述用户会话全图上进行卷积，确定项目的最终嵌入；

5、s3：将每个会话对应子图中的项目进行聚合，确定会话的最终嵌入；

6、s4：将会话的最终嵌入按时序关系输入双向门控循环神经网络，得到具有用户短期兴趣的用户交互嵌入；

7、s5：基于用户的画像，对用户进行嵌入，利用用户嵌入信息构建用户相似度矩阵，选取top-k个相似用户，将其用户交互嵌入进行加权聚合，得到具有长期兴趣的用户相似度嵌入；

8、s6：基于用户交互嵌入，构建内容相似度矩阵，选取top-k个相似的用户交互嵌入进行加权聚合，得到具有长期兴趣的内容相似度嵌入；

9、s7：利用多头注意力机制，聚合用户交互嵌入，用户相似度嵌入和内容相似度嵌入，得到最终的用户兴趣嵌入；

10、s8：通过对最终用户兴趣嵌入和最终项目嵌入进行内积来计算用户对项目的偏好程度，并选择前n个项目生成推荐列表。

11、进一步的，所述步骤s2中，利用有向图神经网络在用户会话全图上进行卷积并确定项目的最终嵌入具体步骤为：

12、s21：利用有向图神经网络递归的在所述用户会话全图上聚合节点信息，捕捉图中节点之间的复杂关系和依赖性，得到带有丰富特征表示的项目最终嵌入：

13、;

14、式中：a为有向会话全图的邻接矩阵，为入度矩阵，为出度矩阵，为第层的节点特征矩阵，t表示矩阵的转置，表示矩阵a的行和列互换转置得到新矩阵；表示第层的节点特征矩阵；、和为第层的可训练权重矩阵，表示relu激活函数，表示向量拼接操作；

15、s22：选取最后一层卷积后的作为项目嵌入。

16、进一步的，所述步骤s3中，将每个会话对应子图中的项目进行聚合，确定会话的最终嵌入，具体公式如下：

17、；

18、；

19、式中：表示项目v的最终嵌入，表示l2范数；为第i个会话子图的初步嵌入，为第i个会话子图的最终嵌入。

20、进一步的，所述步骤s4中，将会话的最终嵌入按时序关系输入双向门控循环神经网络，得到具有用户短期兴趣的用户交互嵌入，具体步骤为：

21、s41：利用双向门控循环单元bi-gru中捕捉会话序列中的时序信息，bi-gru可以看作是两层gru，公式如下：

22、；

23、；

24、；

25、；

26、式中：控制更新门控，控制重置门控，为上一个节点传递下来的隐状态，为更新门的输入权重矩阵，更新门的隐状态权重矩阵，为重置门的输入权重矩阵，为重置门的隐状态权重矩阵，w为权重矩阵，决定选择遗忘哪些信息，决定选择记住哪些新产生的信息，记忆当前时刻的状态，为最终更新的节点状态，代表sigmoid函数，为点乘运算符；

27、s42：两层gru中第一层处理对象为前向会话序列，第二层处理对象为后向会话序列，因此需要对正向传播和后向传播结果进行拼接操作，得到具有用户短期兴趣的用户交互嵌入，如公式所示：

28、；

29、式中：和分别表示前向传播和反向传播的最终输出。

30、进一步的，所述步骤s5中，基于用户画像对用户进行嵌入，构建用户相似度矩阵，选取top-k个相似用户，将其用户交互嵌入进行加权平均，具体步骤为：

31、s51：通过用户的画像信息（通常包含如性别、年龄、地理位置等）对用户进行嵌入，然后利用余弦相似度计算用户之间的相似度，构建用户相似度矩阵user-user，具体公式如下：

32、；

33、式中：和分别表示用户i和j的嵌入信息，·表示点积操作，表示l2范数，即向量的欧氏距离；

34、s52：在用户相似度矩阵中选取与被推荐用户最相似的top-k个用户，将他们的用户交互嵌入进行加权聚合，得到具有长期兴趣的用户相似度嵌入，具体公式如下：

35、；

36、；

37、式中：是加权系数，取决于相似度值，表示第i个用户的交互嵌入，k表示在用户相似度矩阵中选取的与用户i最相似的用户数量，cos表示余弦相似度计算。

38、进一步的，所述步骤s6中，基于用户交互嵌入，构建内容相似度矩阵，选取top-k个相似的用户交互嵌入进行加权平均，具体步骤为：

39、s61：利用余弦相似度计算用户交互嵌入之间的相似度，构建内容相似度矩阵item-item，具体公式如下：

40、；

41、式中：和分别表示用户i和j的交互嵌入，·表示点积操作，表示l2范数，即向量的欧氏距离；

42、s62：在内容相似度矩阵中选取与被推荐用户交互嵌入最相似的top-k个用户交互嵌入进行加权聚合，得到具有长期兴趣的内容相似度嵌入，具体公式如下：

43、；

44、；

45、式中：是加权系数，取决于相似度值，表示第i个用户的交互嵌入。

46、进一步的，所述步骤s7中，利用多头注意力机制，聚合用户交互嵌入，用户相似度嵌入和内容相似度嵌入，得到最终用户兴趣嵌入，具体公式如下：

47、；

48、；

49、；

50、；

51、；

52、式中：e是一个n×d的矩阵，令矩阵q，k和v等于e，n是嵌入的种类（在这里取值为3），d是嵌入向量的维度，，，，为权重矩阵，，，h表示注意力机制中头的数量，表示经过多头注意力机制处理后的聚合嵌入;为经过注意力层后的向量。

53、进一步的，所述步骤s8中，对所述最终用户兴趣嵌入和最终项目嵌入进行内积来计算用户对项目的偏好程度公式如下：

54、；

55、式中：表示为用户u对项目i的预测偏好，表示项目i的最终嵌入，表示用户u的最终兴趣嵌入。

56、与现有技术相比，本发明实施例的一种基于图神经网络的长短期兴趣感知协同推荐方法的有益效果是：

57、本发明通过构建用户会话全图，利用有向图神经网络模型对用户的历史行为进行深度挖掘，并结合双向门控循环神经网络处理用户的短期兴趣；同时，基于用户画像信息和内容相似度，进一步提取用户的长期兴趣，从而实现更加精确和个性化的推荐。

58、综上所述，本发明的一种基于图神经网络的长短期兴趣感知协同推荐方法，能够全面融合用户的短期兴趣与长期兴趣，准确地捕捉用户的个性化需求，提升推荐的相关性和准确性。