(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 202211018277.8 (22)申请日 2022.08.24 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 刘峤　赵海睿　郎俊杰　李淳　 宋明慧　骆妲　代婷婷　甘洋镭　 侯睿　佟飘　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 邹裕蓉 (51)Int.Cl. G06Q 30/06(2012.01) G06N 3/04(2006.01) G06F 16/9535(2019.01) (54)发明名称 一种基于双通道注意力加权网络的会话推 荐方法及系统 (57)摘要 本发明提出了一种基于双通道注意力加权 网络的会话推荐方法， 属于会话推荐技术领域。 本发明基于一次会话中的用户交互序列， 其中用 户交互序列包括物品名称序列、 物品类别 序列与 用户操作序列， 首先根据用户交互序列分别生成 物品、 类别、 操作的高维空间表示； 然后， 利用注 意力机制， 从三种表示的结合中分别提取出融合 操作信息的用户 ‑物品兴趣度与用户 ‑类别兴趣 度； 最后， 建立基于双通道注意力加权的兴趣融 合机制， 形成用户兴趣表征， 实现对用户下一刻 点击物品的预测； 本发明所述方法融合了物品类 型和用户操作信息， 从用户与物品交互在不同粒 度下的兴趣 特征出发， 能够从不同粒度对用户兴 趣建模， 解决了用户兴趣建模不准确、 不合理的 问题。 权利要求书3页 说明书4页 附图1页 CN 115393012 A 2022.11.25 CN 115393012 A 1.一种基于双通道 注意力加权网络的会话推荐方法， 其特 征在于， 包括以下步骤： 步骤S10： 根据一次会话中用户交互的物品名称、 物品种类以及操作类型形成的用户交 互序列， 构建物品名称序列、 物品类别序列、 用户操作序列与对应序列的字典， 即物品字典、 类别字典与操作字典， 并记录此次会话中出现次数最多的物品类别的位置； 步骤S20： 分别初始化三个字典， 分别形成对应序列的高维空间表示， 利用三个门控循 环单元神经网络 分别对物品、 类别与操作建模， 更新物品名称序列、 物品类别序列与用户操 作序列的高维空间表示； 步骤S30： 将物品名称序列的高维空间表示与用户操作序列的高维空间表示拼接， 得到 物品‑操作表示序列， 利用注意力机制从中提取 出用户‑物品兴趣度； 步骤S40： 将物品类别序列的高维空间表示与用户操作序列的高维空间表示拼接， 得到 类别‑操作表示序列， 利用注意力机制从中提取 出用户‑类别兴趣度； 步骤S50： 建立基于双通道注意力加权的用户兴趣融合机制， 融合用户 ‑物品兴趣度与 用户‑类别兴趣度得到会话全局表示， 并结合会话局部表示， 形成用户兴趣表征， 实现用户 下一刻点击物品的预测。 2.如权利要求1所述方法， 其特 征在于， 步骤S10具体如下： 步骤S101， 用户交互序列 其 中m为用户交互的总次数， 从中分别构建出物品名称序列为 物品类别 序列为 用户操作序列为 为物品名称序列Is 中第k个名称， 为物品类别序列Cs中第k个类别， 为用户操作序列中第k个操作， 1≤ k≤ m； 步骤S102， 在物品类别序列Cs中， 寻找出 现次数最多的类别 以及该类别对应的最后 交互物品 记该物品 在物品名称序列Is中的位置为兴趣点 位置pos。 3.如权利要求2所述方法， 其特 征在于， 步骤S20具体如下： 步骤S201， 采用方差为0.01， 均值为0的方式分别对物品字典、 类别字典和操作字典初 始化， 分别得到物品字典、 类别字典和操作字典的高维表示DICI， DICC， DICB， 分别提取到物 品 名称序列的高维空间表示 物品类别序列的高维空间表示 与用户操作序列的高维空间表示 R为实数域， d为高维空间表示的维度， 为物品名称序列中第k个物品的高维表示， 为物 品类别序列中第k个 类别的高维表示， 为用户操作序列中第k个操作的高维表示； 步骤S202， 分别 使用三个门控循环单元网络建模物品、 类别、 操作， 更新物品名称序列、 物品类别序列与用户操作序列的高维空间表示得到更新后的物品名称序列、 物品类别序列 和用户操作序列的高维空间表示 Ih、 Ch、 Bh： 其中GRUI、 GRUC、 GRUB分别表示应用于物品名称序列、 物品类别序列和用户操作序列的权　利　要　求　书 1/3 页 2 CN 115393012 A 2门控循环单 元函数； 分别为更新后的第k个物品、 类别和操作的高维空间表示。 4.如权利要求3所述方法， 其特 征在于， 所述 步骤S30的具体步骤如下： 步骤S301， 将更新的物品名称序列的高维空间表示 与更新后的 用户操作序列的高维空间表示 在列方向上进行拼接， 得到物品 ‑操 作表示序列 其中Concat为向量 列向拼接函数， 表示物品 ‑操作表示序列中第k个列向量 拼接表示； 步骤S302， 根据兴趣点位置pos， 从物品 ‑操作表示序列IBe中， 取出物品兴趣点表示 步骤S303， 计算物品 ‑操作表示序列中每个物品 ‑操作表示对于物品兴趣点表示 之间的用户 ‑物品兴趣度aib： 其中， qi、 W1、 W2、 ci均为通过网络训练得到参数， T 表示矩阵转置， σ 表示Sigmo id激活函数。 5.如权利要求 4所述方法， 其特 征在于， 步骤S40具体如下： 步骤S401， 将更新后的物品类别序列的高维空间表 示 与更新后 的用户操作序列的高维空间表示 在列方向上进行拼接， 得到类别 ‑ 操作表示序列 表示类 别‑操作表示序列中第k个列向量 拼接表示； 步骤S402， 根据兴趣点位置pos， 从类别 ‑操作表示序列CBe中取出类别兴趣点表示 步骤S403， 提取类别 ‑操作表示序列中每个类别 ‑操作表示对于类别兴趣点表示 之间的用户 ‑类别兴趣度acb： 其中， qc、 W3、 W4、 cc均为通过网络训练得到参数， 6.如权利要求5所述方法， 其特 征在于： 步骤S5 0具体如下： 步骤S501， 构建基于双通道注意力加权的用户兴趣融合机制， 结合获取的用户 ‑物品兴 趣度与用户 ‑类别兴趣度， 计算用户融合兴趣度α ＝wib×αib+wcb×αcb， 其中通过网络训练得 到参数 步骤S502， 由用户融合兴趣度得到该会话的全局表示 取更新后的物品名 称序列的高维空间表示Ih的尾项ihm为该会话的局部表示st， 结合全局表示与局部 表示得到 用户兴趣表征 其中Wh是通过网络训练得到参数 ，权　利　要　求　书 2/3 页 3 CN 115393012 A 3