技术摘要：
本发明提供了一种基于会话中物品重要性的物品推荐方法和系统，通过重要性提取模块来提取会话中各个物品的重要性，再结合所述重要性和对应的物品获得用户的长期偏好，从而结合所述用户的当前兴趣和长期偏好准确的获得所述用户的偏好，最后再根据所述用户的偏好进行物品  全部
背景技术：
基于会话的物品推荐大都为基于匿名会话的物品预测，其主要目的就是从给定的 物品集中预测用户在下个会话中可能感兴趣的物品，并将所述可能感兴趣的物品推荐给用 户。目前大多数基于匿名会话的物品推荐模型大多都通过关注用户的交互历史来预测用户 的偏好，从而根据用户的偏好来推荐物品。然而，对于一些历史的用户-物品交互不可用的 情况，准确的捕捉用户的偏好是一个很大的挑战。 基于用户-物品交互不可用的情况，我们需要仅仅根据当前正在进行的会话来产 生物品推荐。现有的一些做法如应用门控循环单元(GRU)来建模用户在会话中的时序行为 捕捉用户的偏好来产生推荐，或者借助于注意力机制来捕捉用户主要意图来产生推荐，又 或者采用门控图神经网络(GGNN)来产生准确的物品嵌入向量和建模物品之间复杂的传递 关系从而进行预测。现有的这些做法均未能对一个重要信息的来源有足够的关注，因而不 能够准确地定位到会话中重要物品来生成用户偏好。由于在产生物品的嵌入向量后，每个 物品的重要性仅仅是简单地根据它与长期历史中物品的混合、最后一个物品或者二者的结 合的相关度来确定。不可避免地，在会话中会存在有不相关的物品，特别是在长会话中，使 得推荐模型很难去关注于重要的物品。因此，在提出关注会话中物品的重要性的物品推荐 模型对提高物品推荐的准确性极为重要。
技术实现要素：
有鉴于此，本发明提供了一种基于会话中物品的重要性的物品推荐方法和系统以 避免现有技术中基于当前会话进行物品推荐的方法中由于会话中存在不相关的物品对推 荐准确度的影响。 一种基于会话中物品重要性的物品推荐方法，用于从物品集中预测所述用户在下 一个时刻可能交互的物品作为目标物品推荐给所述用户，基于训练好的推荐模型进行的步 骤包括： 将当前会话中的各个物品嵌入到一个d维向量表示，以获得物品嵌入向量，并将所 述当前会话中最后一个物品对应的物品嵌入向量作为所述用户的当前兴趣表示， 根据所述物品嵌入向量获取各个所述物品的重要性表示，并将所述重要性表示与 所述物品嵌入向量相结合来获得所述用户的长期偏好表示， 将所述当前兴趣表示和所述长期偏好表示通过连接操作进连接，以获得所述用户 的偏好表示， 根据所述偏好表示和所述物品嵌入向量获得所述目标物品并推荐给所述用户。 优选地，根据所述物品嵌入向量获取各个所述物品的重要性表示，包括： 4 CN 111581520 A 说　明　书 2/9 页 将所述当前会话中的各个物品对应各个所述物品嵌入向量构成的物品嵌入向量 集分别通过非线性转换函数转换到第一向量空间和第二向量空间，以分别获得第一转换向 量和第二转换向量，所述非线性转换函数为是以非线性方式从所述物品嵌入向量中学习信 息的转换函数， 获取所述第一转换向量和第二转换向量之间的关联矩阵， 根据所述关联矩阵获得所述重要性表示。 优选地，根据所述关联矩阵获得所述重要性表示包括： 根据所述关联矩阵获取所述当前会话中的一个物品与所述当前会话中的其它物 品的平均相似度，以作为所述一个物品的重要性分数， 通过第一归一化层归一化所述重要性分数，以获得所述一个物品的重要性表示。 优选地，在根据所述关联矩阵获得所述重要性表示过程中，通过一个遮蔽操作来 遮蔽所述关联矩阵的对角线。 优选地，根据所述偏好表示来计算所述物品集中所有物品被推荐的概率来获得所 述目标物品并推荐给所述用户。 优选地，根据所述偏好表示和所述物品嵌入向量来计算所述物品集中所有物品被 推荐的概率来获得所述目标物品并推荐给所述用户包括： 将各个所述物品嵌入向量与分别与所述偏好表示的转置矩阵相乘以对应的获得 所述当前会话中个物品的各个偏好分数， 通过第二归一化层来归一化各个所述偏好分数，以获分别得各个所述物品被推荐 的概率， 选择各个所述概率中的大小靠前的一组概率对应的所述物品作为所述目标物品 推荐给所述用户。 优选地，应用反向传播算法来训练所述推荐模型。 优选地，采用交叉熵函数作为优化目标来学习所述推荐模型的参数。 优选地，用于从物品集中预测所述用户在下一个时刻可能交互的物品作为目标物 品推荐给所述用户，包括： 嵌入层模块，用于将将当前会话中的各个物品嵌入到一个d维向量表示，以获得各 个物品嵌入向量， 重要性提取模块，用于根据所述物品嵌入向量提取各个所述物品的重要性表示， 当前兴趣获取模块，用于获取所述当前会话中最后一个物品对应的物品嵌入向量 作为所述用户的当前兴趣表示， 长期偏好获取模块，用于将所述重要性表示与所述物品嵌入向量相结合来获得所 述用户的长期偏好表示， 用户偏好获取模块，用于连接所述当前兴趣表示和所述长期偏好表示，以获得所 述用户的偏好表示， 推荐生成模块，用于根据所述偏好表示和所述物品嵌入向量获得所述目标物品并 推荐给所述用户。 优选地，重要性提取模块包括： 第一非线性层和第二线性层，分别用于通过非线性转换函数将各个所述物品嵌入 5 CN 111581520 A 说　明　书 3/9 页 向量组成的嵌入向量集转换到第一向量空间和第二向量空间，以分别获得第一转换向量和 第二转换向量，所述非线性转换函数为是以非线性方式从所述物品嵌入向量中学习信息的 转换函数， 平均相似度计算层，用于根据所述第一转换向量和第二转换向量之间的关联矩阵 计算所述当前会话中的一个物品与所述当前会话中的其它物品之间的平均相似度来表征 所述一个物品的重要性分数， 第一归一化层，用于归一化所述重要性分数以获得所述一个物品的重要性表示。 由上可见，依据本发明提供的基于会话中物品的重要性的物品推荐方法和系统， 通过重要性提取模块来提取会话中各个物品的重要性，再结合所述重要性和对应的物品获 得用户的长期偏好，从而结合所述用户的当前兴趣和长期偏好准确的获得所述用户的偏 好，最后再根据所述用户的偏好进行物品推荐，有效的提高了物品推荐的准确性，且降低了 物品推荐模型的计算复杂度。 附图说明 图1为依据本发明提供的基于会话中物品重要性的物品推荐模型框图。 图2为SR-IEM模型、CSRM模型和SR-GNN模型在YOOCHOOSE数据集的Recall@20指标 上的比较结果示意图； 图3为SR-IEM模型、CSRM模型和SR-GNN模型在YOOCHOOSE数据集的MRR@20指标上的 比较结果示意图； 图4为SR-IEM模型、CSRM模型和SR-GNN模型在DIGINETICA数据集的Recall@20指标 上的比较结果示意图； 图5为SR-IEM模型、CSRM模型和SR-GNN模型在DIGINETICA数据集的MRR@20指标上 的比较结果示意图； 图6为SR-IEM模型、SR-STAMP模型和SR-SAT模型在Recall@20指标上的效果比较示 意图； 图7为SR-IEM模型、SR-STAMP模型和SR-SAT模型在MRR@20指标上的效果比较示意 图。