科创中国

    在基于会话的推荐系统中，许多神经模型首先应用递归神经网络方法。然后，数据的丰富特征被通过神经网络等方法提取，其中，用户时间行为用于数据扩充。最近，许多推荐方法通过考虑全局偏好和局部偏好来捕获用户的兴趣。尽管上述方法取得了很大的进步，但是它们仍然有一些局限性。首先，大量的会话推荐系统是基于用户的历史行为信息，然而用户数据的稀疏性影响了推荐系统的推荐精度。其次，按时间顺序标记的顺序特征虽被提取，但物品之间的信息被忽略。

    为了更加精确的进行推荐，多通道卷积神经网络能够更加准确地提取用户的历史记录并且能够更深一步提取用户的序列信息。多通道卷积神经网络的用户推荐模型，将用户嵌入向量的多尺度信息提取和信息联合，不同维度的特征因子的生成以及不同维度的特征提取共同提高了模型的推荐准确率。结合知识图生成初始用户点击条目向量能更加精确的生成会话的向量嵌入。其中，知识图是一种有向图，图中的节点表示用户点击的条目，有向边表示用户的点击序列信息。将用户的点击序列生成有向图能够进一步提取条目以及序列信息。

    本模型为了提高传统推荐算法的精确度，融合了外部和内部特征，应用卷积神经网络充分提取不同维度的局部信息，通过递归神经网络提取条目序列信息作为外部信息。将提取的特征经过自适应机制，自适应权重聚合特征，最后经过非线性变换函数输出下一次点击条目的可能性。为了处理这些数据，建立了知识图提取数据结构和条目信息。在提取序列条目信息的过程中，将经过门控神经单元提取的序列信息作为外部信息，经过多通道卷积神经网络提取的信息作为内部特征。提出的多卷积神经网络用户推荐模型充分提取了用户历史点击事件信息，同时，会话内部特征和外部特征的融合推荐也缓解了推荐系统的冷启动问题。模型可应用在图书、新闻、物品推荐等电子商务领域，不仅可从用户层面增加用户满意度，而且可从公司层面提高公司的经营利润。