KR102485109B1 - 세션 추천 방법, 장치 및 전자 기기 - Google Patents

Abstract

본 개시는 세션 추천 방법, 장치 및 전자 기기를 개시하고, 그래프 신경망 기술영역에 관련된다. 상기 세션 추천 방법은: 세션 제어 시퀀스를 획득하고, 상기 세션 제어 시퀀스중의 각 아이템의 임베딩 벡터를 기반으로, 제1 임베딩 벡터 매트릭스를 획득하는 단계; 상기 세션 제어 시퀀스중의 아이템 배열 순서에 따라 위치 정보 시퀀스를 생성하고, 상기 위치 정보 시퀀스중의 각 위치 정보의 임베딩 벡터를 기반으로, 제2 임베딩 벡터 매트릭스를 획득하는 단계; 상기 제1 임베딩 벡터 매트릭스 및 상기 제2 임베딩 벡터 매트릭스에 따라, 목표 임베딩 벡터 매트릭스를 확정하는 단계; 및 상기 목표 임베딩 벡터 매트릭스를 기반으로, 그래프 신경망 세션 추천 모델 (SR-GNN)을 채용하여 추천 아이템을 확정하는 단계를 포함한다.

Description

세션 추천 방법, 장치 및 전자 기기

본 출원은 2019년 12월 9일 중국에 제출된 중국 특허 출원 제 201911252600.6호의 우선권을 주장하며, 그 전체 내용을 본 출원에 원용한다.

본 개시는 컴퓨터 기술에서 그래프 신경망 기술 분야에 관한 것으로, 특히 세션 추천 방법, 장치 및 전자 기기에 관한 것이다.

그래프 신경망을 기반으로 하는 세션 추천(Session-based Recommendation Graph Neural Network， SR-GNN) 기술에서, 각 세션(Session) 제어를 모두 유향 그래프로 모델링하고, 해당 그래프에서 각 노드(node)는 모두 하나의 아이템(item)을 대표한다. 각 node의 벡터는 해당 node에 대응하는 item의 임베딩(Embedding) 벡터를 가리키는데 사용되고, 유향 그래프 중 node의 벡터를 기반으로, 각 Session은 모두 하나의 임베딩(embedding) 벡터로 모델링 될 수 있음을 표시하고, 해당 임베딩 벡터에 따라 각 후보 item의 확률치를 확정하고, 이에 따라 사용자가 후기에 가능하게 선택하는 item을 추천한다.

관련 기술에서, Session에 대해 모델링 할 경우, 하나의 유향 그래프는 복수의 Session 시퀀스에 대응하는 경우가 있을 수 있으며, 관련 기술에서 SR-GNN은 하나의 유향 그래프에 대응하는 모든 Session 시퀀스를 동일한 Session 시퀀스로 간주하고 분석을 진행함으로써, 따라서 SR-GNN의 추천 결과의 정확성이 낮은 문제를 초래한다.

본 개시의 실시예에서 세션 추천 방법, 장치 및 전자 기기를 제공하여, 관련 기술에서 SR-GNN에 존재하는 추천 결과 정확성이 낮은 문제를 해결한다.

제1측면에 있어서, 본 개시의 일 실시예에서는 세션 추천 방법을 제공하며, 상기 방법은:

세션 제어 시퀀스를 획득하고, 상기 세션 제어 시퀀스중의 각 아이템의 임베딩 벡터를 기반으로, 제1 임베딩 벡터 매트릭스를 획득하는 단계;

상기 세션 제어 시퀀스중의 아이템 배열 순서에 따라 위치 정보 시퀀스를 생성하고, 상기 위치 정보 시퀀스중의 각 위치 정보의 임베딩 벡터를 기반으로, 제2 임베딩 벡터 매트릭스를 획득하는 단계;

상기 제1 임베딩 벡터 매트릭스 및 상기 제2 임베딩 벡터 매트릭스에 따라, 목표 임베딩 벡터 매트릭스를 확정하는 단계; 및

상기 목표 임베딩 벡터 매트릭스를 기반으로, SR-GNN을 채용하여 추천 아이템을 확정하는 단계;를 포함한다.

상기 개시에서 하나의 실시예에는 아래와 같은 장점 또는 유익한 기술적 효과를 달성할 수 있다. SR-GNN이 추천한 아이템의 정확성을 향상시킨다. 세션 제어 시퀀스에서 각 아이템의 배열 순서에 대응하는 위치 정보를 생성하는 것을 통해, 또한 위치 정보의 임베딩 벡터 매트릭스 및 상응한 아이템의 임베딩 벡터 매트릭스에 따라 목표 임베딩 벡터 매트릭스를 획득하고, 동일한 벡터 그래프에 대응하는 다수의 목표 임베딩 벡터 매트릭스와 구분될 수 있어, 따라서 동일한 벡터 그래프에 대응하는 다수의 임베딩 벡터 매트릭스를 동일한 임베딩 벡터 매트릭스로 간주함으로써 발생하는 SR-GNN이 추천한 아이템의 정확성이 낮은 결함을 피면하고, SR-GNN이 추천한 아이템의 정확성을 향상시키는 유익한 기술적 효과를 달성할 수 있다.

선택적으로, 상기 제1 임베딩 벡터 매트릭스 및 상기 제2 임베딩 벡터 매트릭스에 따라, 목표 임베딩 벡터 매트릭스를 확정하는 단계는:

상기 제1 임베딩 벡터 매트릭스와 상기 제2 임베딩 벡터 매트릭스에 대해 합계를 진행하여, 목표 임베딩 벡터 매트릭스를 획득하는 단계; 또는

상기 제1 임베딩 벡터 매트릭스와 상기 제2 임베딩 벡터 매트릭스에 대해 스플라이싱(Splicing)을 진행하여, 목표 임베딩 벡터 매트릭스를 획득하는 단계 - 그중, 상기 목표 임베딩 벡터 매트릭스중에서 각 아이템에 대응하는 임베딩 벡터의 차원은 상기 제1 임베딩 벡터 매트릭스에서 각 아이템이 대응하는 임베딩 벡터 차원의 2배임 -; 를 포함한다.

합계 또는 스플라이싱 방식을 통해 제1 임베딩 벡터 매트릭스 및 제2 임베딩 벡터 매트릭스를 처리하고, 제2 임베딩 벡터 매트릭스에서 위치 정보의 임베딩 벡터에 따라 각 아이템의 임베딩 벡터를 변경하며, 또한 위치 정보 시퀀스는 세션 제어 시퀀스중 아이템의 배열 순서에 따라 생성되며, 따라서, 획득된 목표 임베딩 벡터 매트릭스중에서 각 아이템에 대응하는 임베딩 벡터와 해당 위치는 관련됨으로써, 상이한 위치의 아이템을 구분하는 작용을 하며, 진일보하여 동일한 벡터 그래프에 대응하는 다수의 목표 임베딩 벡터 매트릭스는 서로 상이하고, 서로 상이한 다수의 목표 임베딩 벡터 매트릭스에 대해 각각 분석을 진행함으로써, SR-GNN이 추천한 아이템의 정확성을 향상시킬 수 있다.

선택적으로, 상기 세션 제어 시퀀스중에는 n개 아이템이 포함되고, 상기 위치 정보 시퀀스는 n개 위치 정보를 포함하고, 상기 n개 위치 정보는 각각 상기 n개 아이템과 대응하며， 상기 세션 제어 시퀀스중에서 배열 순서가 앞 순위에 있는 아이템일수록 대응하는 위치 정보의 수치는 더 크고, 상기 세션 제어 시퀀스중에서 배열 순서가 뒤 순위에 있는 아이템일수록 대응하는 위치 정보의 수치는 더 작다.

위치 정보 시퀀스중 n개 위치 정보가 점진적으로 감소되는 수치를 통해, 세션 제어 시퀀스중의 각 아이템은 서로 상이한 수치의 위치 정보에 대응하고, 따라서 각 아이템의 임베딩 벡터는 상이한 위치 정보의 임베딩 벡터와 대응되도록 하며, 합계 과정중 세션 제어 시퀀스중에서 상이한 위치에 배열된 아이템을 구분할 수 있으며, 동일한 벡터 그래프에 대응하는 다수의 목표 임베딩 벡터 매트릭스를 구분하여 대응하는 효과를 달성할 수 있으며, 따라서 SR-GNN이 추천한 아이템의 정확성을 향상시킬 수 있다.

선택적으로, 상기 목표 임베딩 벡터 매트릭스를 기반으로, SR-GNN을 채용하여 아이템의 추천 리스트를 확정하는 단계는:

상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여 처리를 진행함으로써, 상기 세션 제어 시퀀스에 관련되는 아이템 세트중 각 아이템의 트리거링 확률을 획득하는 단계 - 상기 아이템 세트는 적어도 상기 세션 제어 시퀀스중의 아이템을 포함함 -; 및

상기 각 아이템의 트리거링 확률의 수치 크기에 따라, 아이템 추천 리스트를 확정하는 단계; 를 포함한다.

상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여 처리를 진행함으로써, 상기 세션 제어 시퀀스에 관련되는 아이템 세트중 각 아이템의 트리거링 확률을 획득하고, 그 중, 상기 아이템 세트는 적어도 상기 세션 제어 시퀀스중의 아이템을 포함하고; 상기 각 아이템의 트리거링 확률의 수치 크기에 따라, 아이템 추천 리스트를 확정하고, 아이템 추천 리스트중에서 사용자가 다음 단계에 가능하게 선택할 수 있는 상기 세션 제어 시퀀스에 관련한 아이템 세트를 추천하여, 세션 제어 시퀀스의 아이템만 추천하는 것을 피면하며, 세션 추천 방법의 전면적인 효과를 향상시킬 수 있다.

선택적으로, 상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여 처리를 진행함으로써, 상기 세션 제어 시퀀스에 관련되는 아이템 세트중의 각 아이템의 트리거링 확률을 획득하는 단계는:

상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여, 상기 세션 제어 시퀀스중 각 아이템의 추천 스코어를 획득하는 단계; 및

softmax 함수를 채용하여 상기 추천 스코어에 대해 계산을 진행하여, 상기 세션 제어 시퀀스중 각 아이템의 트리거링 확률을 획득하는 단계; 를 포함한다.

softmax 함수를 통해 SR-GNN을 계산하여 획득한 추천 스코어에 대해 진일보 계산을 진행하여, 각 아이템이 사용자로 인해 클릭되는 트리거링 확률을 획득하며, 따라서 해당 트리거링 확률에 따라 획득한 추천 아이템이 더욱 정확하도록 한다.

선택적으로, 상기 아이템의 임베딩 벡터는 제1 임베딩 룩업 테이블에 따라 확정되고, 상기 위치 정보의 임베딩 벡터는 제2 임베딩 룩업(look-up) 테이블에 따라 확정된다.

아이템의 임베딩 벡터 및 위치 정보의 임베딩 벡터를 통해 서로 상이한 임베딩 룩업 테이블을 채용하여 룩업하여 획득하며, 제1 임베딩 벡터 매트릭스와 제2 임베딩 벡터 매트릭스가 동기화하여 조성한 동일한 벡터 그래프는 다수의 목표 임베딩 벡터 매트릭스에 대응하는 것을 피면하며, 따라서, SR-GNN이 추천한 아이템의 정확성을 향상시킨다.

상기 개시에서 하나의 실시예에는 아래와 같은 장점 또는 유익한 기술적 효과가 있다. SR-GNN이 추천한 아이템의 정확성을 향상시킨다. 세션 제어 시퀀스중에서 각 아이템의 배열 순서에 대응하는 위치 정보를 생성하는 것을 통해, 또한 위치 정보의 임베딩 벡터 매트릭스 및 대응하는 아이템의 임베딩 벡터 매트릭스에 따라 목표 임베딩 벡터 매트릭스를 획득하여, 동일한 벡터 그래프에 대응하는 다수의 목표 임베딩 벡터 매트릭스와 구분될 수 있으며, 동일한 벡터 그래프에 대응하는 다수의 임베딩 벡터 매트릭스를 동일한 임베딩 벡터 매트릭스로 간주함으로써 발생하는 SR-GNN이 추천한 아이템의 정확성이 낮은 결함을 피면하고, SR-GNN이 추천한 아이템의 정확성을 향상시키는 유익한 기술적 효과를 달성할 수 있다.

제2측면에 있어서, 본 개시의 실시예에서는 세션 추천 장치를 제공하며, 상기 세션 추천 장치는:

세션 제어 시퀀스를 획득하고, 상기 세션 제어 시퀀스중의 각 아이템의 임베딩 벡터를 기반으로, 제1 임베딩 벡터 매트릭스를 획득하는데 사용되는 획득 모듈;

상기 세션 제어 시퀀스중의 아이템 배열 순서에 따라 위치 정보 시퀀스를 생성하고, 상기 위치 정보 시퀀스중의 각 위치 정보의 임베딩 벡터를 기반으로, 제2 임베딩 벡터 매트릭스를 획득하는데 사용되는 생성 모듈;

상기 제1 임베딩 벡터 매트릭스 및 상기 제2 임베딩 벡터 매트릭스에 따라, 목표 임베딩 벡터 매트릭스를 확정하는데 사용되는 제1 확정 모듈;및

상기 목표 임베딩 벡터 매트릭스를 기반으로, 그래프 신경망 세션 추천 모델 (SR-GNN)을 채용하여 추천 아이템을 확정하는데 사용되는 제2 확정 모듈;을 포함한다.

선택적으로, 상기 제1 확정 모듈은 구체적으로:

상기 제1 임베딩 벡터 매트릭스와 상기 제2 임베딩 벡터 매트릭스에 대해 합계를 진행하여, 목표 임베딩 벡터 매트릭스를 획득하는데 사용되기 위한 것이거나; 또는

상기 제1 임베딩 벡터 매트릭스와 상기 제2 임베딩 벡터 매트릭스에 대해 스플라이싱을 진행하여, 목표 임베딩 벡터 매트릭스를 획득하는데 사용되기 위한 것이며, 그중, 상기 목표 임베딩 벡터 매트릭스중에서 각 아이템에 대응하는 임베딩 벡터의 차원은 상기 제1 임베딩 벡터 매트릭스에서 각 아이템이 대응하는 임베딩 벡터 차원의 2배이다.

선택적으로, 상기 세션 제어 시퀀스중에는 n개 아이템이 포함되고, 상기 위치 정보 시퀀스는 n개 위치 정보를 포함하고, 상기 n개 위치 정보는 각각 상기 n개 아이템과 대응하며， 상기 세션 제어 시퀀스중에서 배열 순서가 앞 순위에 있는 아이템일수록 대응하는 위치 정보의 수치는 더 크고, 상기 세션 제어 시퀀스중에서 배열 순서가 뒤 순위에 있는 아이템일수록 대응하는 위치 정보의 수치는 더 작다.

선택적으로, 상기 제2 확정 모듈은:

상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여 처리를 진행함으로써, 상기 세션 제어 시퀀스에 관련되는 아이템 세트중 각 아이템의 트리거링 확률을 획득하는데 사용되는 처리 유닛 - 상기 아이템 세트는 적어도 상기 세션 제어 시퀀스중의 아이템을 포함함 -; 및

상기 각 아이템의 트리거링 확률의 수치 크기에 따라, 아이템 추천 리스트를 확정하는데 사용되는 확정 유닛;을 포함한다.

선택적으로, 상기 처리 유닛은：

상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여, 상기 세션 제어 시퀀스중 각 아이템의 추천 스코어를 획득하는데 사용되는 제1 계산 서브 유닛; 및

softmax 함수를 채용하여 상기 추천 스코어에 대해 계산을 진행하여, 상기 세션 제어 시퀀스중 각 아이템의 트리거링 확률을 획득하는데 사용되는 제2 계산 서브 유닛;을 포함한다.

선택적으로, 상기 아이템의 임베딩 벡터는 제1 임베딩 룩업 테이블에 따라 확정되고, 상기 위치 정보의 임베딩 벡터는 제2 임베딩 룩업(look-up) 테이블에 따라 확정된다.

제3측면에 있어서, 본 개시의 실시예에서 전자 기기를 제공하며, 상기 전자 기기는:

적어도 하나의 프로세서; 및

상기 적어도 하나의 프로세서와 통신 연결한 메모리;를 포함하고,

그중, 상기 메모리는 적어도 하나의 프로세서에 의해 실행 가능한 인스트럭션을 저장하고, 상기 인스트럭션은 상기 적어도 하나의 프로세서에 의해 실행되여, 상기 적어도 하나의 프로세서더러 본 개시의 실시예에서 제공하는 방법을 실행하도록 한다.

제4측면에 있어서, 본 개시의 실시예는 컴퓨터 인스트럭션을 저장한 비일시적인 컴퓨터 판독 가능한 저장 매체를 제공하며, 그 중, 상기 컴퓨터 인스트럭션은 상기 컴퓨터더러 본 개시의 실시예에서 제공하는 방법을 구현하도록 하기 위한 것이다.

도면은 더 명확하게 기술방안을 설명하기 위해서이고, 본 개시에 한정되지 않는다. 그 중:
도 1은 본 개시의 실시예에 따른 세션 추천 방법의 흐름 예시도이다.
도 2는 본 개시의 실시예에 따른 세션 제어 시퀀스의 유향 그래프의 예시도이다.
도 3은 본 개시의 또 다른 실시예에 따른 세션 제어 시퀀스의 유향 그래프의 예시도이다.
도 4는 본 개시의 또 상이한 실시예에 따른 세션 추천 방법의 흐름 예시도이다.
도 5는 본 개시의 실시예의 세션 제어 방법을 실현하는 세션 추천 장치의 블록도이다.
도 6은 본 개시의 실시예를 세션 추천 방법을 실현하는 전자 기기의 블록도이다.

이하, 도면을 결부시켜 본 개시의 실시예에서의 시범성 실시예에 대해 설명하기로 한다. 이해를 돕기 위해 본 개시의 실시예들은 각종 상세한 설명을 포함하고, 이들은 단지 시범적인 것으로 간주되어야 한다. 그러므로, 해당 기술분야에서 통상의 지식을 가진 자들은 본 개시의 범위 및 사상을 일탈하지 않고, 본 개시에 묘사된 실시예들에 대하여 각종 변경 및 수정을 할수 있음을 이해하여야 한다. 동일하게, 명확성 및 간략성을 위해, 이하의 설명에서는 공지된 기능 및 구조의 설명에 대해 생략된다.

도 1에서 도시된 바와 같이, 본 개시의 실시예에 따라, 본 개시는 세션 추천 방법을 제공하며, 상기 방법은 하기의 단계를 포함한다.

단계 S101: 세션 제어 시퀀스를 획득하고, 상기 세션 제어 시퀀스중의 각 아이템의 임베딩 벡터를 기반으로, 제1 임베딩 벡터 매트릭스를 획득한다.

그중, 세션(Session) 제어 시퀀스는 사용자가 진행하는 일련의 조작일 수 있다. 예를 들면, 쇼핑 웹사이트에서 순차적으로 클릭된 다수의 상품일 수 있으며, 해당 일련의 조작을 순차적으로 배열된 아이템 시퀀스로 추상화하여, 즉 세션 제어 시퀀스로 추상화하고, 또한 세션 제어 시퀀스중에서 사용자의 각 조작 노드(node)는 모두 한개 아이템(item)에 대응한다. 세션 추천 과정에서, 각 세션 제어 시퀀스는 모두 유향 그래프로 모델링되고, 해당 그래프에서 각 node는 모두 하나의 item을 대표한다. 유향 그래프의 각 변들은 하나의 사용자가 이번 Session에서 순차적으로 시작점 및 종점이 표시하는 item을 클릭하였음을 의미한다.

예를 들면, 도 2에서 도시된 바와 같이, 사용자는 순차적으로 상품 v1, v2, v3, v2 및 v4를 클릭하면, 해당 Session이 구축한 유향 그래프는 도 2에서 도시된 바와 같다.

각 Session 그래프에서, 각 item은 모두 통일화된 embedding 공간에 임베딩되고, 우리는 각 node의 벡터로 각 item의 히든 벡터를 가리킨다. 도면중에서 node의 벡터 표시를 기반으로, 각 Session은 모두 하나의 embedding 벡터로 모델링 될 수 있다. 구체적인 실시예에서, 그래프 신경망(GNN)을 이용하여 각 item의 임베딩 벡터(히든 벡터 또는 embedding vector로 부를 수 있음) 표시를 확정하며, 예를 들면, GNN 네트워크에 하나의 Session을 입력하고, 만약 해당 Session은:

으로 표시하고, 해당 Session중에는 n개의 중복되지 않는 item이 있고,

으로 나열하고, GNN 네트워크는

매트릭스를 출력하고, 해당 매트릭스중에서 제i 행은

의 임베딩 벡터를 표시하고, 그 중, d는 임베딩 벡터의 차원을 표시하며, R은 실수를 표시한다.

단계 S102: 상기 세션 제어 시퀀스중의 아이템 배열 순서에 따라 위치 정보 시퀀스를 생성하고, 상기 위치 정보 시퀀스중의 각 위치 정보의 임베딩 벡터를 기반으로, 제2 임베딩 벡터 매트릭스를 획득한다.

그중, 위치 정보 시퀀스는 n개 위치 정보를 포함하고, 세션 제어 시퀀스중의 n개 아이템과 일일이 대응되며, 어떤 하나의 아이템과 대응하는 하나의 위치 정보는 해당 아이템이 세션 제어 시퀀스중에서의 배열 위치를 표시하는데 사용되며, 예를 들면:

, 위치 정보 시퀀스는

이며, 그중, n은 Session에서 item의 수량이다. 구체적인 실시예에서, item의 임베딩 벡터를 확정한 후, item의 위치 정보에 대해 embedding 룩업을 진행함으로써, 각 item의 위치 정보의 임베딩 벡터를 획득하며, 따라서 제2 임베딩 벡터 매트릭스를 획득한다. 설명해야 할 것은, 아이템의 임베딩 벡터는 제1 임베딩 룩업 테이블(즉 제1 embedding 룩업 테이블)에 따라 확정하고, 위치 정보의 임베딩 벡터는 제2 임베딩 룩업 테이블(즉 제2 embedding 룩업 테이블)에 따라 확정하며, 위치 정보의 embedding 룩업 테이블 및 item의 embedding 룩업 테이블은 상이하다.

설명해야 할 것은, 구체적인 실시예에서, 위치 정보는 상기 취한 수치가 순차적으로 감소되는 실수외에 기타 수치를 취할 수도 있으며, 예를 들면 Transformer(인코더)에서 제출한 사인-코사인 방안의 위치 정보 방안일 수 있다.

단계 S103: 상기 제1 임베딩 벡터 매트릭스 및 상기 제2 임베딩 벡터 매트릭스에 따라, 목표 임베딩 벡터 매트릭스를 확정한다.

구제적인 실시예에서, 제1 임베딩 벡터 매트릭스 및 제2 임베딩 벡터 매트릭스에 대해 합계를 진행하여, 목표 임베딩 벡터 매트릭스를 획득하며, 물론, 제1 임베딩 벡터 매트릭스 및 제2 임베딩 벡터 매트릭스에 대해 스플라이싱을 진행하는 방식으로 목표 임베딩 벡터 매트릭스를 획득할 수도 있으며, 제2 임베딩 벡터 매트릭스를 통해 제1 임베딩 벡터 매트릭스중 각 item의 임베딩 벡터와 그 Session중의 배열 위치가 관련되도록 확보하면 되고, 여기서 구체적으로 한정하지 않는다.

첫 번째 경우, 제1 임베딩 벡터 매트릭스 및 제2 임베딩 벡터 매트릭스에 대해 합계를 진행하여, 목표 임베딩 벡터 매트릭스를 획득하는 실시 방식은, 구체적으로 제1 임베딩 벡터 매트릭스 및 제2 임베딩 벡터 매트릭스의 매트릭스 합계 결과를 목표 임베딩 벡터 매트릭스로 간주하고; 두 번째 경우는, 제1 임베딩 벡터 매트릭스 및 제2 임베딩 벡터 매트릭스에 대해 스플라이싱을 진행하는 방식으로 목표 임베딩 벡터 매트릭스를 획득하는 실시 방식이며, 제1 임베딩 벡터 매트릭스중 각 행은 하나의 item의 임베딩 벡터를 표시할 경우, 제2 임베딩 벡터 매트릭스를 제1 임베딩 벡터 매트릭스의 우측에 스플라이싱할 수 있으며, 예를 들면, 만약 하나의 Session중에 n개 item이 포함되고, 각 item의 임베딩 벡터의 차원은 m 이면, 제1 임베딩 벡터 매트릭스는

인 매트릭스이고, 제2 임베딩 벡터 매트릭스도

인 매트릭스이다. 제2 임베딩 벡터 매트릭스를 제1 임베딩 벡터 매트릭스의 우측에 스플라이싱하여,

인 매트릭스를 획득하며, 각 item이 대응하는 목표 임베딩 벡터의 차원은

이다.

상기 제1 임베딩 벡터 매트릭스 및 상기 제2 임베딩 벡터 매트릭스에 따라, 목표 임베딩 벡터 매트릭스를 확정하고, 상이한 Session을 구분하며, 동일한 벡터 그래프에 대응하는 다수의 Session을 동일한 Session으로 향후 분석 처리를 진행할 경우, 추천 결과의 정확성이 낮은 문제를 피면한다. 예를 들면, 도 3에서 도시된 유향 그래프에 대응하는 Session 시퀀스는 두개이고, 각각 (1, 2, 3, 2, 4, 2) 및 (1, 2, 4, 2, 3, 2)이다. 이는 또한 두가지 상이한 시퀀스에 대해, 관련 기술에서 트레이닝 또는 예측 단계와 상관없이, SR-GNN은 모두 두가지 상이한 시퀀스들을 동일한 Session으로 간주하여 처리하며, 따라서 추천 결과의 정확성이 낮은 문제를 초래한다. 실제로, 하나의 주어진 유향 그래프에 대해, 그에 대응하는 모든 Session 시퀀스는 해당 유향 그래프의 모든 가능한 오일러 경로이다.

단계 S104: 상기 목표 임베딩 벡터 매트릭스를 기반으로, SR-GNN을 채용하여 추천 아이템을 확정한다.

구체적인 실시예에서, 목표 임베딩 벡터 매트릭스를 SR-GNN 계산 모델에 입력하는 것을 통해, SR-GNN 계산 모델로 하여금 각 아이템의 추천 스코어를 계산하도록 할 수 있으며, 계속하여 softmax 함수 및 이미 획득한 추천 스코어를 이용하여 상이한 아이템의 확률치를 계산할 수 있으며, 즉 사용자가 다음 단계에 가능하게 클릭하는 아이템의 확률을 계산하며, 따라서 각 아이템이 클릭될 수 있는 확률치에 따라 아이템을 추천하며, 예를 들면, 클릭될 수 있는 확률치가 제일 높은 하나 혹은 다수의 아이템을 추천한다.

상기 개시에서 하나의 실시예는 아래와 같은 장점 또는 유익한 기술적 효과를 구비할 수 있다. SR-GNN이 추천한 아이템의 정확성을 향상시킨다. 세션 제어 시퀀스중에서 각 아이템의 배열 순서에 대응하는 위치 정보를 생성하는 것을 통해, 또한 위치 정보의 임베딩 벡터 매트릭스 및 상응하는 아이템의 임베딩 벡터 매트릭스에 따라 목표 임베딩 벡터 매트릭스를 획득하고, 동일한 벡터 그래프에 대응하는 다수의 목표 임베딩 벡터 매트릭스를 구분할 수 있어, 따라서, 동일한 벡터 그래프에 대응하는 다수의 임베딩 벡터 매트릭스를 동일한 임베딩 벡터 매트릭스로 간주함으로써 발생하는 SR-GNN이 추천한 아이템의 정확성이 낮은 결함을 피면하고, SR-GNN이 추천한 아이템의 정확성을 향상시키는 유익한 기술적 효과를 달성할 수 있다

도 4에서 도시된 바와 같이, 본 개시의 실시예에 있어서, 본 개시는 또 다른 세션 추천 방법을 제공하며, 상기 방법은 하기의 단계를 포함한다.

단계 S401: 세션 제어 시퀀스를 획득하고, 상기 세션 제어 시퀀스중의 각 아이템의 임베딩 벡터를 기반으로, 제1 임베딩 벡터 매트릭스를 획득한다.

단계 S402: 상기 세션 제어 시퀀스중의 아이템 배열 순서에 따라 위치 정보 시퀀스를 생성하고, 상기 위치 정보 시퀀스중의 각 위치 정보의 임베딩 벡터를 기반으로, 제2 임베딩 벡터 매트릭스를 획득한다.

구체적인 실세예에서, 상기 세션 제어 시퀀스에는 n개 아이템이 포함되고, 상기 위치 정보 시퀀스는 n개 위치 정보를 포함하고, 상기 n개 위치 정보는 각각 상기 n개 아이템과 대응한다.

단계 S403: 상기 제1 임베딩 벡터 매트릭스와 상기 제2 임베딩 벡터 매트릭스에 대해 합계를 진행하여, 목표 임베딩 벡터 매트릭스를 획득한다.

일종 선택적인 실시방식에서, 상기 n개 위치 정보는 점진적으로 감소되는 배열인 n개 실수일 수 있고, 해당 실시방식에서, 상기 세션 제어 시퀀스중에서 배열 순서가 앞 순위에 있은 아이템일수록 대응하는 위치 정보의 수치는 더 크고, 또한 상기 세션 제어 시퀀스에서 배열 순서가 뒤 순위에 있는 아이템일수록 대응하는 위치 정보의 수치는 더 작다. 따라서 세션 제어 시퀀스의 각 위치의 아이템은 상이한 위치 정보 수치에 대응한다. 또한 상이한 수치를 취한 위치 정보는, 임베딩 레이어를 통해 룩업으로 획득한 임베딩 벡터도 서로 상이하며, 따라서, 세션 제어 시퀀스중 각 아이템의 배열 위치를 구분할 수 있는 제2 임베딩 벡터 매트릭스를 획득할 수 있다. 제1 임베딩 벡터 매트릭스와 제2 임베딩 벡터 매트릭스에 대해 합계를 진행하는 것을 통해, 목표 임베딩 벡터 매트릭스를 획득할 수 있고, 동일한 벡터 그래프에 대응하는 다수의 목표 임베딩 벡터 매트릭스는 서로 상이하다. 진일보하여 향후 분석 계산 과정에서, 해당 부분에 대해 각각 분석을 진행하며, 따라서 SR-GNN의 분석 결과의 정확성을 향상시킨다.

위치 정보 시퀀스중의 n개 위치 정보가 점진적으로 감소되는 수치를 통해, 세션 제어 시퀀스중의 각 아이템은 상이한 수치의 위치 정보에 대응할 수 있고, 따라서 각 아이템의 임베딩 벡터 및 상이한 위치 정보의 임베딩 벡터는 대응되며, 합계 과정에서 세션 제어 시퀀스중 상이한 위치에 배열된 아이템을 구분할 수 있으며, 동일한 벡터 그래프에 대응하는 다수의 목표 임베딩 벡터 매트릭스를 구분하는 대응되는 효과를 달성할 수 있으며, 따라서 SR-GNN이 추천한 아이템의 정확성을 향상시킬 수 있다.

단계 S404: 상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여 처리를 진행함으로써, 상기 세션 제어 시퀀스에 관련되는 아이템 세트에서 각 아이템의 트리거링 확률을 획득하고, 그 중, 상기 아이템 세트는 적어도 상기 세션 제어 시퀀스중의 아이템을 포함한다.

구체적인 실시예에서, 아이템 세트에는 세션 제어 시퀀스중에 포함되지 않는 기타 아이템이 존재할 수 있으며, 예를 들면, 인테넷 쇼핑물에 100개 상품이 있고, 사용자는 그중의 10건 상품만 클릭한다면, 상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여 처리를 진행한 후, 100건 상품의 트리거링 확률을 출력하고, 그중, 상기 아이템의 트리거링 확률은 사용자가 다음 단계에 가능하게 해당 아이템을 클릭할 수 있는 확률치로 이해하면 된다.

단계 S405: 상기 각 아이템의 트리거링 확률의 수치 크기에 따라, 아이템 추천 리스트를 확정한다.

구체적인 실시예에서, 아이템 추천 리스트중에서 트리거링 확률치가 제일 큰 앞 순위 5건 혹은 앞 순위 10건 등 임의의 수량의 아이템을 추천할 수 있고, 아이템 추천 시스트중에서 트리거링 확률이 어는 하나의 미리 설정한 확률치보다 큰 아이템을 추천할 수도 있다.

상기 실시 방식에 대해 Diginetice 데이터 세트 및 Yoochoose 데이터 세트를 이용하여 검증을 진행하고, 해당 결과는 다음과 같다.

테스트 세트상에서 P@20 지표치의 비교는 아래의 표1에 도시된 바와 같다.

데이터 세트	SR-GNN의P@20 지표치	SR-GNN-PE의 P@20 지표치
Diginetica	50.73	51.32
Yoochoose	71.36	71.47

그중, 상기 테스트 과정에서, SR-GNN 및 SR-GNN-PE중의 하이퍼 파라미터에 대해 정렬을 진행하였고, 그리고 5번의 실험을 진행한 후 평균치를 취한 결론이다. 또한, SR-GNN의 P@20 지표치는 위치 정보 시퀀스를 사용하지 않은 SR-GNN의 추천 결과의 P@20 지표치를 표시하고, SR-GNN-PE의 P@20 지표치는 위치 정보 시퀀스를 사용한 SR-GNN의 추천 결과의 P@20 지표치를 표시하며, 또한 P@20 지표치는 높을수록 테스트 결과의 정확성이 더 높다는 것을 표시한다.

위의 표에서 알다시피, 위치 정보를 추가한 후, SR-GNN의 추천 결과에 대한 정확성은 명확히 향상하였다.

목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여 처리를 진행함으로써, 아이템 세트에서 각 아이템의 트리거링 확률을 획득하고, 각 아이템의 트리거링 확률의 수치 크기에 따라, 아이템 추천 리스트를 확정하고, 아이템 추천 리스트에서 사용자가 다음 단계에 가능하게 선택하는 하나 또는 다수의 아이템을 추천하여, 세션 제어 시퀀스중의 아이템만 추천하는 것을 피면하며, 세션 추천 방법의 전면성을 향상시키는 효과를 달성할 수 있다.

도 5에서 도시된 바와 같이, 하나의 실시예에서, 본 개시는 세션 추천 장치(500)를 제공하며, 상기 장치는:

세션 제어 시퀀스를 획득하고, 상기 세션 제어 시퀀스중의 각 아이템의 임베딩 벡터를 기반으로, 제1 임베딩 벡터 매트릭스를 획득하는데 사용되는 획득 모듈(501);

상기 세션 제어 시퀀스중의 아이템 배열 순서에 따라 위치 정보 시퀀스를 생성하고, 상기 위치 정보 시퀀스중의 각 위치 정보의 임베딩 벡터를 기반으로, 제2 임베딩 벡터 매트릭스를 획득하는데 사용되는 생성 모듈(502);

상기 제1 임베딩 벡터 매트릭스 및 상기 제2 임베딩 벡터 매트릭스에 따라, 목표 임베딩 벡터 매트릭스를 확정하는데 사용되는 제1 확정 모듈(503);및

상기 목표 임베딩 벡터 매트릭스를 기반으로, 그래프 신경망 세션 추천 모델 (SR-GNN)을 채용하여 추천 아이템을 확정하는데 사용되는 제2 확정 모듈(504);을 포함한다.

하나의 실시예에서, 상기 제1 확정 모듈은 구체적으로：

상기 제1 임베딩 벡터 매트릭스와 상기 제2 임베딩 벡터 매트릭스에 대해 합계를 진행하여, 목표 임베딩 벡터 매트릭스를 획득하는데 사용되기 위한 것이다.

하나의 실시예에서, 상기 제1 확정 모듈은 구체적으로:

상기 제1 임베딩 벡터 매트릭스와 상기 제2 임베딩 벡터 매트릭스에 대해 스플라이싱을 진행하여, 목표 임베딩 벡터 매트릭스를 획득하는데 사용되기 위한 것이며, 그중, 상기 목표 임베딩 벡터 매트릭스중에서 각 아이템에 대응하는 임베딩 벡터의 차원은 상기 제1 임베딩 벡터 매트릭스에서 각 아이템이 대응하는 임베딩 벡터 차원의 2배이다.

진일보하여, 상기 세션 제어 시퀀스중에는 n개 아이템이 포함되고, 상기 위치 정보 시퀀스는 n개 위치 정보를 포함하고, 상기 n개 위치 정보는 각각 상기 n개 아이템과 대응하며， 상기 세션 제어 시퀀스중에서 배열 순서가 앞 순위에 있는 아이템일수록 대응하는 위치 정보의 수치는 더 크고, 상기 세션 제어 시퀀스중에서 배열 순서가 뒤 순위에 있는 아이템일수록 대응하는 위치 정보의 수치는 더 작다.

하나의 실세예에서, 제2 확정 모듈(504)은:

상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여 처리를 진행함으로써, 상기 세션 제어 시퀀스에 관련되는 아이템 세트중 각 아이템의 트리거링 확률을 획득하는데 사용되는 처리 유닛 - 상기 아이템 세트는 적어도 상기 세션 제어 시퀀스중의 아이템을 포함함 -; 및

상기 각 아이템의 트리거링 확률의 수치 크기에 따라, 아이템 추천 리스트를 확정하는데 사용되는 확정 유닛;을 포함한다.

진일보하여, 상기 처리 유닛은：

상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여, 상기 세션 제어 시퀀스중 각 아이템의 추천 스코어를 획득하는데 사용되는 제1 계산 서브 유닛; 및

softmax 함수를 채용하여 상기 추천 스코어에 대해 계산을 진행하여, 상기 세션 제어 시퀀스중 각 아이템의 트리거링 확률을 획득하는데 사용되는 제2 계산 서브 유닛;을 포함한다.

일종 실시방식에서, 상기 아이템의 임베딩 벡터는 제1 임베딩 룩업 테이블에 따라 확정되고, 상기 위치 정보의 임베딩 벡터는 제2 임베딩 룩업(look-up) 테이블에 따라 확정된다.

상기 각 실시예의 세션 추천 장치는 상기 각 실시예의 세션 추천 방법을 실현하는 장치이고, 기술 특징이 대응하고, 기술 효과도 대응되며, 여기서 상세하게 설명하지 않는다.

본 개시의 실시예에서, 본 개시는 전자 기기 및 판독 가능한 저장 매체를 제공한다.

도 6에서 도시된 바와 같이, 본 개시 실시예에 따른 세션 추천 방법의 전자 기기의 블록도이다. 전자 기기는 각종 형태의 디지털 컴퓨터를 포함하며, 예를 들면, 랩탑 컴퓨터, 데스크톱 컴퓨터, 작업대, 개인용 디지털 보조기, 서버, 블레이드 서버, 대형 컴퓨터 및 기타 적합한 컴퓨터일 수 있다. 전자 기기는 각종 형태의 이동 장치를 표시할 수도 있으며, 예를 들면, 개인용 디지털 처리, 셀룰러폰, 스마트폰, 웨어러블 기기, 및 기타 유사한 컴퓨팅 장치일 수 있다. 본 명세서에서 도시된 부품, 그의 연결 및 관계, 그리고 그의 기능은 단지 예시로서 간주되며, 또한 본 명세서에 설명된 및/또는 요구되는 본 개시의 실현에 대해 한정하기 위한 것이 아니다.

도 6에서 도시된 바와 같이, 해당 전자 기기는: 하나 또는 다수의 프로세서(601), 메모리(602) 및 각 부품들을 연결하는 인터페이스를 포함하며, 인터페이스는 고속 인터페이스 및 저속 인터페이스를 포함한다. 각 부품들은 서로 상이한 버스를 사용하여 서로 연결되고, 공통 메인보드 상에 장착될 수 있거나, 또는 수요에 따라 기타 방식으로 장착될 수 있다. 프로세서는 전자 기기 내에서 실행되는 인스트럭션들을 처리하고, 메모리 내 또는 메모리 상에 저장된 외부 입력/출력 기기(예를 들면, 인터페이스에 결합된 디스플레이 기기)에 GUI의 그래픽 정보를 표시하는 인스트럭션을 포함한다. 기타 실시방식에서, 만약 수요된다면, 다수의 프로세서 및/또는 다수의 버스를 다수의 메모리 및 다수의 메모리와 동시에 사용할 수 있다. 동일한 방식으로, 다중 전자 기기를 연결할 수 있고, 각 기기는 부분 필요한 동작(예를 들면, 서버 어레이로서, 블레이드 서버 세트, 또는 다중 프로세서 시스템)을 제공한다. 도 6에서 하나의 프로세서(601)로 예를 든다.

메모리(602)는 바로 본 개시에서 제공한 비일시적인 컴퓨터 판독 가능한 저장 매체이다. 그중, 상기 메모리는 적어도 하나의 프로세서에 의해 실행 가능한 인스트럭션들을 저장하여, 상기 적어도 하나의 프로세서더러 본 개시에서 제공한 세션 추천 방법을 실행하도록 한다. 본 개시의 비일시적 컴퓨터 판독 가능한 저장 매체는 컴퓨터 인스트럭션을 저장하고, 해당 컴퓨터 인스트럭션은 컴퓨터더러 본 개시에서 제공한 세션 추천 방법을 실행하도록 하는데 사용한다.

메모리(602)는 일종 비일시적인 컴퓨터 판독 가능한 저장 매체로서, 비일시적인 소프트웨어 프로그램, 비일시적인 컴퓨터 실행 가능한 프로그램 및 모듈에 사용한다. 본 개시의 실시예중의 세션 추천 방법에 대응하는 프로그램 인스트럭션/모듈(예를 들면, 도 5에서 도시된 바와 같이 생성 묘듈(501), 제1 확정 모듈(502) 및 제2 확정 모듈(503))이다. 프로세서(601)는 메모리(602)에 저장된 비일시적인 소프트웨어 프로그램, 인스트럭션 및 모듈을 작동하는 것을 통해, 서버의 각종 기능 어플리케이션 및 데이터 처리를 실행하며, 즉 상기 방법 실시예중에서의 세션 방법을 실현한다.

메모리(602)는 프로그램 저장 영역 및 데이터 저장 영역을 포함하고, 그중, 프로그램 저장 영역에는 작업 시스템, 적어도 하나의 기능을 위해 필요한 어플리케이션을 저장한다. 데이터 저장 영역은 세션 추천에 따라 전자 기기의 사용으로 생성된 데이터 등을 저장한다. 메모리(602)는 고속 랜덤 액세스 메모리, 그리고 비일시적인 메모리를 포함한다. 예를 들면 적어도 하나의 디스크 메모리 장치, 플래시 메모리 장치, 또는 기타 비일시적인 고체 메모리 장치이다. 일부 실시예에서, 메모리(602)는 프로세서(601)에 대해 원격으로 설정된 메모리를 선택하고, 원격 메모리는 네트워크를 통해 세션 추천의 전자 기기에 연결할 수 있다. 상기 네트워크의 실시예에는 인터넷, 기업 내부 네트워크, 근거리 네트워크, 이동 통신망 및 기타 조합을 포함하지만 이에 한정되지 않는다.

세션 추천 방법의 전자 기기는 입력 장치(603) 및 출력 장치(604)를 포함하기도 한다. 프로세서(601), 메모리(602), 입력 장치(603) 및 출력 장치(604)는 버스 또는 기타 방식을 통해 연결하고, 도 6에서는 버스를 통한 연결을 예시로 하였다.

입력 장치(603)는 입력된 숫자 또는 문자 부호 정보를 수신하고, 세션 추천의 전자 기기의 사용자 설정 및 기능 제어와 관련된 키 신호 입력을 산생시키기 위한 것일 수 있다. 예를 들면 터치 스크린, 키패드, 마우스, 트랙플레이트, 터치 플레이트, 표시 레버, 하나 또는 다수의 마우스 버튼, 트랙볼, 조이스틱 등의 입력 장치이다. 출력 장치(604)는 디스플레이 기기, 보조 조명 장치(예를 들면, LED) 및 촉각 피드백 장치(예를 들면, 진동 모터) 등을 포함한다. 해당 디스플레이 기기는 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이 및 플라즈마 디스플레이를 포함하지만 이에 한정되지 않는다. 일부 실시예에서, 디스플레이 기기는 터치 스크린일 수 있다.

본 명세서에 기술된 시스템 및 기술의 각종 실시방식은 디지털 전자 회로 시스템, 집적 회로 시스템, 전용 ASIC(전용 집적 회로), 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및/또는 이들의 조합 내에서 실현될 수 있다. 각종 실시예 방식은: 하나 또는 다수의 컴퓨터 프로그램에서, 해당 하나 또는 다수의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능한 프로세서의 프로그램 가능한 시스템 상에서 실행 및/또는 해석을 포함하고, 해당 프로그램 가능한 프로세서는 전용 또는 통용 프로그램 가능한 프로세서일 수 있고, 저장 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치로 데이터 및 인스트럭션들을 수신하고, 또한 데이터 및 인스트럭션들을 저장 시스템에 전송하며, 해당 적어도 하나의 입력 장치 및 해당 적어도 하나의 출력 장치를 포함한다.

이러한 컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 또는 코드라고도 함)은 프로그램 가능한 프로세서의 머신 인스트럭션을 포함하고, 하이 레벨 프로세스 및/또는 오브젝트에 대한 프로그래밍 언어 및/또는 어셈블링/ 머신 언어로 컴퓨터 프로그램 실행한다. 본문에서 사용한 용어 "머신 판독 가능한 매체" 및 "컴퓨터 판독 가능한 매체"는 머신 인스트럭션 및/또는 데이터를 프로그램 가능한 프로세서에 제공하기 위한 임의의 컴퓨터 프로그램 제품, 기기 및/또는 장치(예를 들면, 자기 디스크, 광 디스크, 메모리, 프로그램 가능한 논리 장치(PLD))를 지칭하고, 머신 판독 가능한 신호로서 머신 인스트럭션을 수신하는 머신 판독 가능한 매체를 포함하는 임의의 컴퓨터 프로그램 제품을 지칭한다. 용어 "머신 판독 가능한 시그널"은 머신 인스트럭션 및/또는 데이터를 프로그래밍 가능한 프로세서에 제공하기 위한 임의의 시그널을 지칭한다.

사용자와의 인터랙션을 제공하기 위해, 본 명세서에 설명된 시스템 및 기술은 컴퓨터 상에서 실현될 수 있으며, 해당 컴퓨터는, 사용자에게 정보를 디스플레이하기 위한 디스플레이 장치(예를 들어, CRT(음극선관) 또는 LCD(액정 디스플레이) 모니터); 또는 키보드 및 포인팅 장치(예를 들면, 마우스 또는 트랙 볼), 사용자는 해당 키보드 및 해당 포인팅 장치를 통해 컴퓨터에 입력을 제공할 수 있다. 기타 종류의 장치도 사용자와의 인터랙션을 제공하는데 사용된다. 예를 들면, 사용자에게 제공된 피드백은 임의의 형태의 센싱 피드백 (예를 들면, 시각적 피드백, 청각적 피드백, 또는 촉각적 피드백)일 수 있고, 또는 임의의 형태(음향 입력, 음성 입력, 또는 촉각 입력을 포함)를 사용하여 사용자로부터의 입력을 수신한다.

본 명세서에 설명된 시스템 및 기술은, 백스테이지 부품을 포함하는 컴퓨팅 시스템(예를 들면, 데이터 서버로서), 또는 중간 부품을 포함하는 컴퓨팅 시스템 (예를 들면, 애플리케이션 서버)에서 실현될 수 있고, 또는 전단 부품을 포함하는 컴퓨팅 시스템(예를 들면, 그래픽 사용자 인터페이스 또는 네트워크 브라우저를 갖는 사용자 컴퓨터, 사용자는 그래픽 사용자 인터페이스 또는 네트워크 브라우저를 통해 본 명세서에 설명된 시스템 및 기술의 실현과 인터랙션할 수 있음), 또는 이러한 백스테이지 부품, 중간 부품, 또는 전단 부품을 포함하는 임의의 조합들은 컴퓨팅 시스템에서 실현될 수 있다. 임의의 형태 또는 매체 디지털 데이터 통신(예를 들면, 통신 네트워크)을 통해 시스템의 부품을 서로 연결한다. 통신 네트워크의 예시는 로컬 영역 네트워크(LAN), 광역 네트워크(WAN) 및 인터넷을 포함한다.

컴퓨터 시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트 및 서버는 일반적으로 서로 이격 되고, 통상적으로 통신 네트워크를 통해 상호 인터랙션을 진행한다. 클라이언트와 서버 관계는 상응한 컴퓨터 상에서 실행되고 서로 클라이언트-서버 관계를 서로 갖는 컴퓨터 프로그램에 의해 생성된다.

본 개시의 실시예에 따른 기술 방안에서, 세션 제어 시퀀스중에서 각 아이템의 배열 순서에 대응하는 위치 정보를 생성하는 것을 통해, 또한 위치 정보의 임베딩 벡터 매트릭스 및 상응하는 아이템의 임베딩 벡터 매트릭스에 따라 목표 임베딩 벡터 매트릭스를 획득하고, 동일한 벡터 그래프에 대응하는 다수의 목표 임베딩 벡터 매트릭스를 구분할 수 있어, 동일한 벡터 그래프에 대응하는 다수의 임베딩 벡터 매트릭스를 동일한 임베딩 벡터 매트릭스로 간주함으로써 발생하는 SR-GNN이 추천한 아이템의 정확성이 낮은 결함을 피면하고, SR-GNN이 추천한 아이템의 정확성을 향상시키는 유익한 기술적 효과를 달성할 수 있다.

이해해야 할것은, 위에서 도시된 바와 같이 각종 형태의 프로세스를 사용하여 재정렬, 추가 또는 삭제 단계를 가능하게 한다. 예를 들면, 본 명세서에 기재된 각 단계는, 병렬로 실행할 수 있고 순차적으로 실행할 수도 있고 상이한 순서로 실행될 수도 있으며, 본 개시에서 개시한 기술방안이 희망하는 결과를 달성할 수 있기만 하면 되고, 본문에서는 이에 대해 한정하지 않는다.

상기 구체적인 실시 방식은, 본 개시의 보호 범위에 대해 한정하는 것이 아니다. 해당 기술분야에서 통상의 지식을 가진 자들은, 설계 요구 및 기타 요소에 따라 각종 수정, 조합, 서브 조합 및 대체를 진행할 수 있음을 이해하여야 한다. 본 개시의 사상 및 원칙 내에서 사용되는 임의의 수정, 동등한 대체 및 개진 등은, 모두 본 개시의 보호 범위 내에 포함되어야 한다.

Claims (15)

1. 세션 추천 방법에 있어서,
   세션 제어 시퀀스를 획득하고, 상기 세션 제어 시퀀스중의 각 아이템의 임베딩 벡터를 기반으로, 제1 임베딩 벡터 매트릭스를 획득하는 단계;
   상기 세션 제어 시퀀스중의 아이템 배열 순서에 따라 위치 정보 시퀀스를 생성하고, 상기 위치 정보 시퀀스중의 각 위치 정보의 임베딩 벡터를 기반으로, 제2 임베딩 벡터 매트릭스를 획득하는 단계;
   상기 제1 임베딩 벡터 매트릭스 및 상기 제2 임베딩 벡터 매트릭스에 따라, 목표 임베딩 벡터 매트릭스를 확정하는 단계; 및
   상기 목표 임베딩 벡터 매트릭스를 기반으로, 그래프 신경망 세션 추천 모델 (SR-GNN)을 채용하여 추천 아이템을 확정하는 단계를 포함하는,
   세션 추천 방법.
2. 제1항에 있어서,
   상기 제1 임베딩 벡터 매트릭스 및 상기 제2 임베딩 벡터 매트릭스에 따라, 목표 임베딩 벡터 매트릭스를 확정하는 단계는:
   상기 제1 임베딩 벡터 매트릭스와 상기 제2 임베딩 벡터 매트릭스에 대해 합계를 진행하여, 목표 임베딩 벡터 매트릭스를 획득하는 단계; 또는
   상기 제1 임베딩 벡터 매트릭스와 상기 제2 임베딩 벡터 매트릭스에 대해 스플라이싱을 진행하여, 목표 임베딩 벡터 매트릭스를 획득하는 단계 - 그중, 상기 목표 임베딩 벡터 매트릭스중에서 각 아이템에 대응하는 임베딩 벡터의 차원은 상기 제1 임베딩 벡터 매트릭스에서 각 아이템이 대응하는 임베딩 벡터 차원의 2배임 -를 포함하는,
   세션 추천 방법.
3. 제2항에 있어서,
   상기 세션 제어 시퀀스중에는 n개 아이템이 포함되고, 상기 위치 정보 시퀀스는 n개 위치 정보를 포함하고, 상기 n개 위치 정보는 각각 상기 n개 아이템과 대응하며， 상기 세션 제어 시퀀스중에서 배열 순서가 앞 순위에 있는 아이템일수록 대응하는 위치 정보의 수치는 더 크고, 상기 세션 제어 시퀀스중에서 배열 순서가 뒤 순위에 있는 아이템일수록 대응하는 위치 정보의 수치는 더 작은,
   세션 추천 방법.
4. 제1항에 있어서,
   상기 목표 임베딩 벡터 매트릭스를 기반으로, SR-GNN을 채용하여 아이템의 추천 리스트를 확정하는 단계는:
   상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여 처리를 진행함으로써, 상기 세션 제어 시퀀스에 관련되는 아이템 세트중 각 아이템의 트리거링 확률을 획득하는 단계 - 상기 아이템 세트는 적어도 상기 세션 제어 시퀀스중의 아이템을 포함함 -; 및
   상기 각 아이템의 트리거링 확률의 수치 크기에 따라, 아이템 추천 리스트를 확정하는 단계를 포함하는,
   세션 추천 방법.
5. 제4항에 있어서,
   상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여 처리를 진행함으로써, 상기 세션 제어 시퀀스에 관련되는 아이템 세트중의 각 아이템의 트리거링 확률을 획득하는 단계는:
   상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여, 상기 세션 제어 시퀀스중 각 아이템의 추천 스코어를 획득하는 단계; 및
   softmax 함수를 채용하여 상기 추천 스코어에 대해 계산을 진행하여, 상기 세션 제어 시퀀스중 각 아이템의 트리거링 확률을 획득하는 단계를 포함하는,
   세션 추천 방법.
6. 제1항에 있어서,
   상기 아이템의 임베딩 벡터는 제1 임베딩 룩업 테이블에 따라 확정되고, 상기 위치 정보의 임베딩 벡터는 제2 임베딩 룩업(look-up) 테이블에 따라 확정되는,
   세션 추천 방법.
7. 세션 추천 장치에 있어서,
   세션 제어 시퀀스를 획득하고, 상기 세션 제어 시퀀스중의 각 아이템의 임베딩 벡터를 기반으로, 제1 임베딩 벡터 매트릭스를 획득하는데 사용되는 획득 모듈;
   상기 세션 제어 시퀀스중의 아이템 배열 순서에 따라 위치 정보 시퀀스를 생성하고, 상기 위치 정보 시퀀스중의 각 위치 정보의 임베딩 벡터를 기반으로, 제2 임베딩 벡터 매트릭스를 획득하는데 사용되는 생성 모듈;
   상기 제1 임베딩 벡터 매트릭스 및 상기 제2 임베딩 벡터 매트릭스에 따라, 목표 임베딩 벡터 매트릭스를 확정하는데 사용되는 제1 확정 모듈;및
   상기 목표 임베딩 벡터 매트릭스를 기반으로, 그래프 신경망 세션 추천 모델 (SR-GNN)을 채용하여 추천 아이템을 확정하는데 사용되는 제2 확정 모듈을 포함하는,
   세션 추천 장치.
8. 제7항에 있어서,
   상기 제1 확정 모듈은 구체적으로,
   상기 제1 임베딩 벡터 매트릭스와 상기 제2 임베딩 벡터 매트릭스에 대해 합계를 진행하여, 목표 임베딩 벡터 매트릭스를 획득하는데 사용되기 위한 것이거나; 또는
   상기 제1 임베딩 벡터 매트릭스와 상기 제2 임베딩 벡터 매트릭스에 대해 스플라이싱을 진행하여, 목표 임베딩 벡터 매트릭스를 획득하는데 사용되기 위한 것이며, 그중, 상기 목표 임베딩 벡터 매트릭스중에서 각 아이템에 대응하는 임베딩 벡터의 차원은 상기 제1 임베딩 벡터 매트릭스에서 각 아이템이 대응하는 임베딩 벡터 차원의 2배인,
   세션 추천 장치.
9. 제8항에 있어서,
   상기 세션 제어 시퀀스중에는 n개 아이템이 포함되고, 상기 위치 정보 시퀀스는 n개 위치 정보를 포함하고, 상기 n개 위치 정보는 각각 상기 n개 아이템과 대응하며， 상기 세션 제어 시퀀스중에서 배열 순서가 앞 순위에 있는 아이템일수록 대응하는 위치 정보의 수치는 더 크고, 상기 세션 제어 시퀀스중에서 배열 순서가 뒤 순위에 있는 아이템일수록 대응하는 위치 정보의 수치는 더 작은,
   세션 추천 장치.
10. 제7항 내지 제9항 중 어느 한 항에 있어서,
    상기 제2 확정 모듈은:
    상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여 처리를 진행함으로써, 상기 세션 제어 시퀀스에 관련되는 아이템 세트중 각 아이템의 트리거링 확률을 획득하는데 사용되는 처리 유닛 - 상기 아이템 세트는 적어도 상기 세션 제어 시퀀스중의 아이템을 포함함 -; 및
    상기 각 아이템의 트리거링 확률의 수치 크기에 따라, 아이템 추천 리스트를 확정하는데 사용되는 확정 유닛을 포함하는,
    세션 추천 장치.
11. 제10항에 있어서,
    상기 처리 유닛은：
    상기 목표 임베딩 벡터 매트릭스를 SR-GNN에 입력하여, 상기 세션 제어 시퀀스중 각 아이템의 추천 스코어를 획득하는데 사용되는 제1 계산 서브 유닛; 및
    softmax 함수를 채용하여 상기 추천 스코어에 대해 계산을 진행하여, 상기 세션 제어 시퀀스중 각 아이템의 트리거링 확률을 획득하는데 사용되는 제2 계산 서브 유닛을 포함하는,
    세션 추천 장치.
12. 제7항에 있어서,
    상기 아이템의 임베딩 벡터는 제1 임베딩 룩업 테이블에 따라 확정되고, 상기 위치 정보의 임베딩 벡터는 제2 임베딩 룩업(look-up) 테이블에 따라 확정되는,
    세션 추천 장치.
13. 전자 기기에 있어서,
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서와 통신 연결한 메모리;를 포함하고
    그중, 상기 메모리는 적어도 하나의 프로세서에 의해 실행 가능한 인스트럭션을 저장하고, 상기 인스트럭션은 상기 적어도 하나의 프로세서에 의해 실행되여, 상기 적어도 하나의 프로세서더러 청구항 제1항 내지 제6항 중 어느 한 항에 따른 상기 방법을 구현하도록 하기 위한 것인,
    전자 기기.
14. 컴퓨터 인스트럭션을 저장한 비일시적인 컴퓨터 판독 가능한 저장 매체에 있어서,
    상기 컴퓨터 인스트럭션은 상기 컴퓨터더러 청구항 제1항 내지 제6항 중 어는 한 항에 따른 상기 방법을 구현하도록 하기 위한 것인,
    컴퓨터 판독 가능한 저장 매체.
    
15. 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램 중의 컴퓨터 명령은 프로세서에 의해 실행될 경우, 청구항 제1항 내지 제6항 중 임의의 어느 한 항에 따른 방법을 구현하는 것을 특징으로 하는,
    컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램
    

Images