具体实施方式

为了进一步理解本发明，下面结合具体实施方式对本发明提供的一种基于重构社交网络的会话社交推荐方法进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。

首先，需要对用到的变量和公式给出相关定义。

定义1.V：物品集合，且V＝{v₁，v₂,…，v_|V|}，|V|代表物品集合中物品的数量。

定义2.s：当前用户的当前会话，会话是当前时间段里的所有交互物品集合s＝{v₁,v₂,…,v_|s|}，|s|代表会话中物品的数量。

定义3.S：系统中的会话集合，S＝{s₁，s₂,…,s_|S|}，|S|代表会话集合中会话的数量。

定义4.G：关于用户和用户关系的社交网络。

定义5.N(u)：社交网络G中当前用户的朋友集合。

定义6.B(u)：算法挖掘出当前用户的潜在朋友集合。

定义7.物品v_j的向量表征。

结合以上变量定义，将最终的问题定义为：给定当前用户的当前会话和社交网络，挖掘出和用户行为相似的潜在朋友集合，结合用户的真实朋友集合和潜在朋友集合得到社交影响，并结合用户的兴趣来推荐当前用户在下一步最可能感兴趣的物品，物品是集合V的子集。在对社交影响建模时，涉及到两种关系：真实朋友和当前用户之间的关系，潜在朋友和当前用户之间的关系。这两种关系是不同的。一般当前用户和真实朋友都有很多兴趣爱好，且存在共同的兴趣。而抽取出的真实朋友以及真实朋友的当前兴趣，未必是接近的。而挖掘潜在朋友是通过计算存储的最近用户会话和用户当前会话的相似度，所以潜在朋友的兴趣和当前用户很接近。因此，真实朋友和潜在朋友对当前用户的作用需要先分开并行计算，再合并得到统一的社交影响。进而结合用户的兴趣，预测用户下一个感兴趣的物品。

为此，本发明提出了一种基于重构社交网络的会话社交推荐方法，如图2所示，方法的向前传播(forward propagation)部分主要由四个部分组成。第一部分是基于当前用户，从社交网络中找到当前用户的真实朋友；第二部分是基于当前用户的当前会话和存储的会话集合，找到当前用户的潜在朋友；第三部分是得到当前用户、真实朋友和潜在朋友的兴趣表征；第四部分是结合当前用户的真实朋友和潜在朋友，得到朋友对用户的社交影响；第五部分是结合用户自身兴趣和社交影响，获得用户最终向量表征；最后，根据用户最终向量表征和物品向量表征，推荐物品。

如图1所示，按照本发明的一个实施例，本方法包括如下步骤：

S100，基于当前用户，从社交网络中找到当前用户的真实朋友。根据平台中实际好友关系的数据记录，建立社交网络G，社交网络G是无向图。从社交网络G中找到当前用户的邻居节点，就是当前用户的的真实朋友集合N(u)。

S200，基于当前用户的当前会话和存储的会话集合，找到当前用户的潜在朋友。采用记忆矩阵M存储最近发生的会话，在本方法综合考虑算法效果和存储压力，设置记忆矩阵M存储的会话序列个数为10000。基于当前用户的当前会话s＝{v₁,v₂，…，v_|s|}，通过计算当前会话和记忆矩阵M中的候选会话之间的cosine相似度，从记忆矩阵M中找出最相似的k个会话，且保证相似度大于阈值sim_thre，再从筛选出的k个会话中随机抽取ε个会话。最后确定这ε个会话的用户为当前用户的潜在朋友集合B(u)，且抽取出的会话代表了潜在朋友的兴趣。相似度计算公式如下：

其中，s_j是记忆矩阵M中存储的任一会话。是会话s的二进制向量表示，如果一个物品出现在会话中，那么s中对应位置为1，否则为0。同理，是会话s_j的二进制向量表示。l(s)和l(s_j)分别代表了会话s和s_j的长度。对于记忆矩阵M中存储的所有会话，用公式sim(s,s_j)计算出和当前会话s的cosine相似度，把相似度低于阈值sim_thre的会话过滤掉，再按照cosine相似度由高到低排序，找出前k个会话，并从中随机抽取出ε个会话。sim_thre设置小数值，可以增加推荐物品的多样性，sim_thre设置大数值，可以过滤掉更多的噪音。这里，sim_thre设置为0.3,k设置为100，ε设置为10。

S300，得到当前用户、真实朋友和潜在朋友的兴趣表征。从当前用户的当前会话、真实朋友的最近会话以及筛选出的潜在朋友的会话中抽取出对应用户的兴趣，采用门控制循环神经网络(GRU)分别对会话进行表征，得到兴趣表征。也就是将当前用户的当前会话、真实朋友的最近会话以及筛选出的潜在朋友的会话分别作为门控制循环神经网络(GRU)的输入，分别得到门控制循环神经网络(GRU)的输出作为当前用户的兴趣、真实朋友的兴趣以及潜在朋友的兴趣：

z_i＝σ(W_xz·x_i+W_hz·h_i-1)

r_i＝σ(W_xr·x_i+W_hr·h_i-1)

其中，r_i是重置门(reset gate)，z_i为更新门(update gate)，这两个门控向量决定了哪些信息能作为门控循环单元的输出。是当前记忆内容。x_i是当前层的节点输入，也就是物品v_i的向量表征。W_xz、W_hz、W_xr和W_hr分别是控制更新门z_i和重置门r_i的参数。W_xh和W_hh是控制前记忆内容的参数。⊙是元素级别的矩阵相乘，σ是sigmoid函数。门控制循环神经网络(GRU)的最后一个隐藏层的输出就是会话表征。

S400，结合当前用户的真实朋友和潜在朋友，得到朋友对用户的社交影响。将真实朋友和潜在朋友分开计算，且真实朋友和潜在朋友对当前用户的作用由注意力机制计算得到，每个朋友对当前用户的作用不同。而真实朋友和潜在朋友的重要度由先验参数λ控制，需要由实验者设置。最终社交影响p_f具体的计算方式如下：

其中，α_ui表示真实朋友u_i对当前用户的作用，α_uj表示潜在朋友u_j对当前用户的作用，是聚集了真实朋友和潜在朋友对当前用户的影响，p_f是对加一层非线性的感知器层，也是最终社交影响；h_u、h_i和h_j分别是当前用户、真实朋友u_i和潜在朋友u_j的向量表征，注意力值α_ui和α_uj采用乘法注意力机制计算得到，并使用softmax函数进行了归一化。先验参数λ∈[0,1]控制真实朋友作用和潜在朋友作用的权重，本实验中设置λ＝0.7。W_g是转换矩阵参数，ReLU是ReLU激活函数。

S500，结合用户自身兴趣和社交影响，获得用户最终向量表征。用户的兴趣由他当前会话行为和社交影响共同决定，用户的用户最终向量表征g_u就由全连接层合并两者得到，令：

其中，W_ph是转换矩阵，p_f是社交影响，h_u为当前用户的当前兴趣，为向量拼接操作。

S600，根据用户最终向量表征和物品向量表征，推荐物品。将物品v_j的向量x_j乘以用户最终向量表征，再应用softmax函数计算出物品v_j的分数：

其中，g_u代表用户的兴趣向量，代表物品v_j成为下一个交互物品的可能性；同时根据的对数似然函数值，计算损失函数：

其中，y_j代表v_j的one-hot编码，函数用梯度下降法来最优化。

上述对实施例的描述是为方便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。