(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210965165.7 (22)申请日 2022.08.12 (71)申请人 清华大学深圳国际研究生院 地址 518055 广东省深圳市南 山区西丽 街 道深圳大 学城清华校区A栋二楼 (72)发明人 郑海涛　王刘鄞　许翔泓　欧阳凯　 夏树涛　肖喜　 (74)专利代理 机构 深圳新创友知识产权代理有 限公司 4 4223 专利代理师 江耀锋 (51)Int.Cl. G06F 16/9535(2019.01) G06Q 30/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于潜在自相关 建模的会话推荐方法 (57)摘要 本发明公开了一种基于潜在自相关建模的 会话推荐方法， 包括如下步骤： S1、 输入会话序 列； S2、 构建基于会话的推荐模型； S3、 根据预测 项目概率分布进行会话推荐； 其中， 步骤S2中所 述基于会话的推荐模型包括如下步骤:S21、 潜在 自相关建模， 通过嵌入项目并计算潜在自相关以 增强表示； S22、 会话嵌入学习， 使用两个潜在特 征来学习会话嵌入； S23、 预测， 预测每个项目的 概率， 并从候选项列表中选择推荐。 本发明提出 的一种基于潜在自相关建模的会话推荐方法， 通 过自相关和线性变换相结合， 构建了一个新颖而 简洁的基于会话的推荐模型。 模 型将输入会话映 射到潜在空间， 并对潜在自相关进行建模， 以增 强会话表示。 从而具有更高的有效性和效率。 权利要求书3页 说明书9页 附图2页 CN 115168738 A 2022.10.11 CN 115168738 A 1.一种基于潜在自相关 建模的会话推荐方法， 其特 征在于， 包括如下步骤： S1、 输入会话序列； S2、 构建基于会话的推荐模型； S3、 根据预测项目概 率分布进行会话推荐； 其中， 步骤S2中所述基于会话的推荐模型包括如 下步骤： S21、 潜在自相关建模， 通过嵌 入项目并结合线性变换计算潜在自相关以增强表示； S22、 会话嵌入学习， 使用潜在特征来 学习会话嵌入； S23、 预测， 预测每 个项目的概 率。 2.如权利要求1所述的基于潜在自相关建模的会话推荐方法， 其特征在于， 步骤S21中 所述的潜在自相关 建模包括如下步骤： S211、 嵌入项目， 嵌入每 个项目i∈I进入同样的低维空间； S212、 潜在空间映射， 在输入表示上应用可 学习的线性变换来将其映射到潜在空间； S213、 计算自相关性， 采用不同的线 性变换Is获取不同的序列， 计算会 话的自相关性， 并 扩展到潜在空间， 获取增强表示。 3.如权利要求2所述的基于潜在自相关建模的会话推荐方法， 其特征在于， 步骤S211中 所述嵌入项目包括如下步骤： 将嵌入的每 个项目i∈I进入同样的低维空间。 4.如权利要求3所述的基于潜在自相关建模的会话推荐方法， 其特征在于， 步骤S211具 体包括： S2111、 将伪 项目填充每个会话i0到长度L以及i0的嵌入部分为x0＝0； 其中L是所有会话 的最大长度； S2112、 将寻找嵌入表来获取输入表示 其中X∈RN×d表示嵌入表的一项， d是嵌 入空间的维数， 表示xi∈Rd xi是X中的第i个元素， xi也是I中第i个向量表示， 输入会话的长 度表示为ls。 5.如权利要求2所述的基于潜在自相关建模的会话推荐方法， 其特征在于， 步骤S212中 所述在输入表示上应用可 学习的线性变换来将其映射到潜在空间具体表达式如下： Q＝IsWQ+bQ， K＝IsWK+bK， V＝IsWV+bV， 其中WQ， WK， bQ， bK， 是学习参数， h是潜在空间的大小。 6.如权利要求2所述的基于潜在自相关建模的会话推荐方法， 其特征在于， 步骤S213 中 所述自相关计算包括如下步骤： S2131、 采用不同的线性变换Is获取不同的序列Q， K， S2132、 计算会话的自相关性 Q和K： 其中F表示F FT， F‑1表示IFFT， 代表哈达玛积， S2133、 将会话扩展到潜在空间： 权　利　要　求　书 1/3 页 2 CN 115168738 A 2其中F表示F FT， F‑1表示IFFT， f是自相关函数， j是虚数 单元， Sxx(f)在频域内； S2134、 获取增强表示： 其中 T是增强表示， 是Q和K的自相关性。 7.如权利要求1所述的基于潜在自相关建模的会话推荐方法， 其特征在于， 步骤S22中 所述潜在特 征包括： 上 下文特征fcont和短期兴趣特 征fshort； 其中： 上下文特征fcont代表整个会话的意图， 其表达式如下： 其中ls是最初的会话s长度， i是索引； 短期兴趣特 征fshort， 表示的最后一项代 表会话的短期兴趣， 其表达式如下： fshort＝TL 其中TL为短期兴趣。 8.如权利要求7所述的基于潜在自相关建模的会话推荐方法， 其特征在于， 步骤S22中 所述学习会话嵌入具体步骤如下： S221、 利用上 下文特征fcont和短期兴趣特 征fshort∈Rh， 使用线性变换 学习会话嵌入： θs＝[fcont||fshort]W+b， 其中会话嵌入表示为θs∈Rd， ||表示concatena字符串连接或合并函数操作， W∈R2h×d， b ∈Rd是可学习的参数。 9.如权利要求1所述的基于潜在自相关建模的会话推荐方法， 其特征在于， 步骤S23中 所述预测 和模型优化具体步骤如下： 预测每 个项目的概 率； 具体包括如下步骤： S231、 计算下一次点击推荐分数： 其中θs是会话S表示， 会话S的每 个项目i∈I， 是项目嵌入向量xi的转置； S232、 获得项目的推荐概 率分布： 其中 是输出概 率分布向量， 是第i项的推荐概 率； S233、 训练基于会话的推荐模型： 其中y是有效的正确的数据的o ne‑hot向量。权　利　要　求　书 2/3 页 3 CN 115168738 A 3