一种基于对偶视图对比学习的会话推荐方法

本发明涉及数据处理，特别是涉及一种基于对偶视图对比学习的会话推荐方法。

背景技术：

1、会话推荐(session-based recommender system, sbrs)旨在基于用户的一系列项目预测其交互的下一项目，现有大多数会话推荐对于会话内项目间的时间间隔信息利用不够充分，影响推荐准确性。

2、近年，图神经网络(graph neural network, gnn)凭借自身强大的复杂关系建模能力在会话推荐中受到推崇，但仅基于图神经网络的会话推荐忽略了会话间的隐藏高阶关系，信息不够丰富。此外，数据稀疏性一直是推荐系统中存在的现象，研究中多使用对比学习(contrastive learning)对此实施改善，然而大多对比学习框架形式单一，泛化能力不强。

技术实现思路

1、为此，本发明的实施例提出一种基于对偶视图对比学习的会话推荐方法，以解决现有技术忽略了会话间的隐藏高阶关系、泛化能力不强的问题。

2、根据本发明一实施例的应用于会话推荐系统，所述会话推荐系统包括会话增强模块、对偶视图编码器和对比推荐模块，所述对偶视图编码器包括超图卷积网络编码器和transformer编码器；

3、所述方法包括：

4、在会话增强模块中，获取原始会话序列以及对应的原始时间间隔序列，根据原始时间间隔序列中时间间隔的标准方差对原始会话序列中所有会话进行排序，筛选出非均匀会话序列，以非均匀会话序列的时间间隔序列作为时间间隔信息增强的依据，对非均匀会话序列进行数据增强操作，从而得到时间间隔均匀的增强会话序列；

5、在对偶视图编码器中，基于增强会话序列构建超图，在超图中使用超图卷积网络编码器获取会话间的增强会话嵌入，同时，将原始会话序列和增强会话序列输入至transformer编码器中，得到原始会话嵌入和会话内的增强会话嵌入；

6、在对比推荐模块中，基于会话内的增强会话嵌入生成推荐列表，采用原始会话序列和会话间的增强会话嵌入进行对比学习，优化对比推荐模块的模型参数。

7、根据本发明实施例的基于对偶视图对比学习的会话推荐方法，具有以下有益效果：

8、（1）针对现有多数模型未充分利用会话信息的问题，本发明以非均匀会话序列的时间间隔序列作为时间间隔信息增强的依据，对非均匀会话序列进行数据增强操作，从而得到时间间隔均匀的增强会话序列，能够充分挖掘会话内的信息，以提高推荐准确性；

9、（2）本发明构建了超图卷积网络编码器和transformer编码器相结合的对偶视图编码器，基于增强会话序列构建超图，再使用超图卷积网络编码器将不同会话间联系起来，实现不同会话间的信息互传递，充分挖掘不同会话间的相关性，同时结合transformer编码器，能够分别从会话间和会话内提取可利用信息，从而能够从多视角捕捉会话间的隐藏高阶关系，丰富了推荐的多样性；

10、（3）本发明基于会话内的增强会话嵌入生成推荐列表，并采用原始会话序列和会话间的增强会话嵌入进行对比学习，优化对比推荐模块的模型参数，能够缓解无关项目对于会话嵌入的影响，有效增强模型泛化性。

1.一种基于对偶视图对比学习的会话推荐方法，其特征在于，应用于会话推荐系统，所述会话推荐系统包括会话增强模块、对偶视图编码器和对比推荐模块，所述对偶视图编码器包括超图卷积网络编码器和transformer编码器；

2.根据权利要求1所述的基于对偶视图对比学习的会话推荐方法，其特征在于，获取原始会话序列以及对应的原始时间间隔序列，根据原始时间间隔序列中时间间隔的标准方差对原始会话序列中所有会话进行排序，筛选出非均匀会话序列，具体包括：

3.根据权利要求2所述的基于对偶视图对比学习的会话推荐方法，其特征在于，所述超图卷积网络编码器满足以下条件式：

4.根据权利要求3所述的基于对偶视图对比学习的会话推荐方法，其特征在于，所述transformer编码器中的每个编码器层包括多头自注意力子层和前馈全连接子层，多头自注意力子层将会话序列作为输入计算查询值、键值和属性值，通过缩放点积操作实现注意力计算，并采用多套线性变换映射矩阵提取会话序列的不同表示；前馈全连接子层包含两个线性变换和一个relu激活函数，以对会话序列建模，多头自注意力子层和前馈全连接子层均使用残差连接和层归一化。

5.根据权利要求4所述的基于对偶视图对比学习的会话推荐方法，其特征在于，所述transformer编码器满足以下条件式：

6.根据权利要求5所述的基于对偶视图对比学习的会话推荐方法，其特征在于，所述对比推荐模块的损失函数l满足以下条件式：