本发明涉及会话推荐技术领域，尤其涉及一种基于会话噪声的滤波推荐方法及系统。
背景技术：
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
会话，是指同一时间单位内被点击(或购买、浏览等)的商品序列，为一个会话。
会话推荐，是指根据我们所拿到的用户的若干个会话(也就是用户在各个时间段内的行为数据)来进行分析和用户的偏好挖掘，从而进行推荐。
对于处理对话的推荐方法是最近几年才开始流行起来，发明人发现，目前的主流方法是使用循环神经网络和马尔科夫链。如将循环神经网络与会话推荐相结合，从用户行为的时间变化上考虑。再如使用门控循环单元来对经典的循环神经网络进行了重新定义。另一广泛应用的方法是神经注意力推荐机(narm，neuralattentiverecommendationmachine)，包含一个全局和局部的循环神经网络推荐器，同时捕捉用户的顺序行为和主要目的。在此基础上，又通过增加多层感知机和注意力网络，令该模型还可以捕捉用户的一般兴趣和当前兴趣。还有一种新的基于会话的推荐模型：sr-gnn。在sr-gnn中，使用了门控图神经网络，即gru单元来学习会话内用户的隐状态，也达到了相当好的效果。
图网络在会话推荐中的应用，有两个思路：其一是是通过对单个会话处理为会话图并进行编码，然后通过神经网络进行学习；其二是通过若干循环神经网络单元来对整个由会话组成的图结构进行学习。前者关注了单个会话内部的亲密性，后者关注了会话与会话之间的亲密性。但是，这两种方法均无法消除会话内部的噪声。
对于用户和物品之间关系建模的方法有很多，但是对于这样的复杂的、非结构化的关系，显然图结构对于这样的情况处理效果是更好的。但是现有的推荐模型和方法，将用户与物品之间关系建模为图网络的仍旧不多。
另外，神经网络在模型训练中表现出训练参数多、时间长等问题，这一定程度上限制了会话推荐在神经网络的应用。
技术实现要素：
本发明目的是为了解决上述问题，提出了一种基于会话噪声的滤波推荐方法及系统，通过聚合相似会话并进行进一步的裂变与过滤来形成会话湖，从而实现会话间亲密性的增强。
在一些实施方式中，采用如下技术方案：
一种基于会话噪声的滤波推荐方法，包括：
通过度量同一用户各原始会话序列之间的平移相似性，对会话序列进行聚类，得到若干个会话湖；
将已聚类的会话连成会话图，对会话图进行分割，去噪；
计算剩余每一个会话图的潜在嵌入向量，所述嵌入向量输入门控图神经网络，得到用户的偏好信息；
获取每一个原始会话序列对应的嵌入向量，并进行建模，得到带有权重的用户偏好信息的隐藏状态；
将用户的偏好信息与带有权重的用户偏好信息的隐藏状态进行合并，通过分类器得到每一个待推荐物品的潜在概率。
在另一些实施方式中，采用如下技术方案：
基于会话噪声的滤波推荐系统，包括：图组件和序列组件；
所述图组件包括：
会话聚类层，被配置为通过度量各会话序列之间的平移相似性，对会话序列进行聚类，得到若干个会话湖；
图分裂层，被配置为将已聚类的会话连成会话图，并对会话图进行分割；
下降层，被配置为去除分割后的噪声点；
会话湖嵌入层，被配置为对于下降层所输出的若干子会话湖，计算每一个会话子图的潜在嵌入向量；
门控图神经网络层，被配置为根据接收到的嵌入向量，输出用户的偏好信息；
所述序列组件被配置为获取每一个原始会话序列对应的嵌入向量，并进行建模，得到带有权重的用户偏好信息的隐藏状态；
所述图组件的输出和序列组件的输出进入线性层进行合并后，通过分类器得到每一个待推荐物品的潜在概率。
本发明使用图组件可以将会话中的噪声分离出来，但是仅用图组件无法区分干扰噪声和偏好噪声。而通过序列组件可以抛弃干扰噪声，保留偏好噪声。这在一定程度上能够确保推荐结果与用户偏好的匹配程度。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的基于会话噪声的滤波推荐方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于会话噪声的滤波推荐方法。
与现有技术相比，本发明的有益效果是：
(1)本发明提出的推荐模型由两个任务模块完成；不仅能够学习亲密性较高的会话之间的隐性特征，而且使用了一种对抗性的形式对噪声数据进行学习(即两个模块分别对噪声数据抛弃和保留)，使用图组件可以将会话中的噪声分离出来，但是仅用图组件无法区分这种噪声是“干扰噪声”还是“偏好噪声”。而加入序列组件可以解决这个问题，从而抛弃“干扰噪声”，保留“偏好噪声”。能够确保推荐结果与用户偏好的匹配程度。
(2)本发明模型的两个部分共享相同的输入，这是为了让两个组件能够同时从源数据中学习特征，在各自完成自己的任务的基础上，也一定程度上弥补对方的缺陷。
(3)本发明能将用户会话以非欧数据的形式对图结构进行建模，同时又能保证不受会话内部噪声影响的对抗性推荐算法。这样既能够不破坏会话数据的非欧几里得结构性，又能够消除噪声影响。
(4)本发明为会话推荐提供一种新的思路，通过聚合相似会话并进行进一步的裂变与过滤来形成会话湖，从而实现会话间亲密性的增强。减少了由于忽略或者破坏会话结构而导致的信息损失的基础上，同时也进一步对于会话间的亲密性给予了考虑。
(5)为了同时考虑时空信息，本发明通过门控图神经网络对用户会话进行建模，来学习会话内部的有序性和网络内部的空间性，实现了对用户短时偏好的捕捉。
(6)本发明使用了一种“滤波分裂”的思想来对会话图进行分割，可以过滤掉噪声行为(使其孤立)，从而使进一步地在保持亲密性较高的会话能够聚合在一起的前提下，能使噪声行为孤立起来。
附图说明
图1为本发明实施例中基于会话噪声的滤波推荐系统示意图；
图2(a)-(b)分别为本发明实施例中分裂前后的会话图示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
在一个或多个实施方式中，公开了一种基于会话噪声的滤波推荐系统，致力于在减少由于忽略或者破坏会话结构而导致的信息损失的基础上，进一步对于会话间的亲密性给予考虑。
参照图1，对于用户会话这样的形如序列的非欧数据，在一个模型内使用了基于图组件的会话图学习和基于序列组件的会话图学习两部分来对其进行特征分析，从而进行推荐。
在对本发明实施例的基于会话噪声的滤波推荐系统进行详细的说明之前，首先对会话和会话湖的定义进行说明。
与传统的推荐方法不同，本实施例会话不仅仅限制在用户的某一特定的动作上，而是指在一次或者是某一时间段内的动作的集合。这一问题可以变得复杂，例如某一会话内部同时包含浏览、点击和购买等。
在本实施例方法中，对于会话进行如下定义：s＝[vs,1,vs,2,...,vs,n]∈s代表一个会话中按照时间先后排序的序列。其中，s表示整个会话数据集，s表示每一独立会话，vs,i表示会话s内部的第i个位置的元素。
会话湖，顾名思义，是由相似会话聚合而来。对于所有的会话s∈s，sli＝{sl1，sl2...sln}∈sl，sli表示表示会话数据集的一个会话湖，其内部会话元素具有局部亲和性。
参照图1，本发明实施例公开的基于会话噪声的滤波推荐系统具体包括：于图组件和序列组件；其中，图组件包括：
(1)会话聚类层
对于用户所产生的多个会话来说，不仅应该关注会话内部的顺序行为之间的联系，还应该关注会话与会话之间的亲密性。以电商购物网站为例，用户在两个时间点上产生了相似的点击序列，也就是说购买了相似的物品。在这样的情况下，这两个会话之间就存在着不可被忽视的关联性。
由于会话序列之间的长度是不一致的，这使得无法使用皮尔逊系数或余弦相似性来得到相似性。因此，如何求解长度不同的会话之间的相似性是本发明实施例的首要任务。为了简化运算，若两个会话序列中的元素存在平移可重合的情况，我们就认为这两个序列之间存在相似性。具体地，我们使用一种基于动态规划的方法，来解决这一离散序列的一致性度量问题。
以两个会话为例。给出两个会话s1，s2∈s，构建s1和s2之间的距离矩阵dis[i][j]。其中，dis[i][j]表示会话s1[0:i]和s2[0：j]之间相似距离的平方。可以根据式子来计算相似距离。
对该计算过程进一步进行优化。在求最长公共子串时，设置一个最大标准差的偏置容忍量。这就表示当两个元素在这个标准差内的时候，则认为也是公共子串的一部份。定义该偏置容忍量des为：
其中，comle表示s1和s2之间的最长公共子串。可以看到，当公共子串越长，des越小。
在这一方法的指导下，对于距离小于预设的阈值的会话对，将其聚类。显然，聚类后所得到的会话湖能够保留其会话间亲密性。对于所有的被聚类的会话湖sl∈s，sli＝{sl1，sl2...,sln}∈sl，sli表示会话数据集的一个会话湖。值得注意的是，其内部会话元素具有局部亲和性。
本实施例的目的是找到不同时间段内用户可能有相似的行为，将这些行为聚类在一起来解释用户的偏好，这样说服力更强。这种思路可以通过度量会话之间的序列相似性实现。越相似的越聚类在一起，每两个会话之间就会存在一个相似性数值。不同的相似性数值会使得若干会话聚类为若干堆。
本实施例通过度量其序列的平移相似性的方法以及通过距离(相似性)的方法得到若干个会话湖：
将已聚类的会话连成图，以便于下一步的噪声过滤。由于会话是用户产生的行为序列，每一个会话自身已具有一定的时序关联性，也就是说，会话内部的物品之间存在交互。直接按顺序读取会话内部元素，对相邻元素在图内赋予一条边(即按顺序用边将有序的元素连接)，最终得到亲密的会话湖图。
对于每一个会话s＝[vs,1,vs,2,...,vs,n]∈s，我们通过此方法中给出描述的度量会话间相似性和聚类的方法来计算会话之间的距离(亲密性)。这样，得到了若干个会话湖l＝{l1,l2,...,lm}。每一个会话湖内包含若干个会话，其会话间具有局部亲密性。
(2)图分裂层
即使是用户自身产生的有序行为序列，也可能存在无法避免的行为噪声(例如意外弹出的广告)。考虑到这一点，本实施例选择一种“滤波分裂”的思想来对会话图进行分割，目的在于过滤掉噪声行为(使其孤立)，从而使进一步地在保持亲密性较高的会话能够聚合在一起的前提下，能使噪声行为孤立起来。
本实施例通过计算非亲密系数(indifferentcoefficient)与分裂系数(segregatecoefficient)之间的大小来作为是否进行分裂的标准。
非亲密系数是由若干个已联结的会话子图内部的任意两点之间的距离来计算的，表现为会话图内边的权重。非亲密系数ic的计算如公式x所示：
其中，w1,w2为分割后的两个子图部分的点的个数，wk为连接两个会话湖的边的权重。
对于该分裂阈值的设置，选择根据图中点与边的关系来动态地确定分裂阈值。对于已经初步聚合的会话子图，对其计算分裂阈值，知道该会话子图不能够继续被分裂。分裂阈值sc，用下式表示：
其中，ε为当前会话子图中边的数目，v为当前会话子图中节点的数目。
可以看到，这是一种启发递增的图滤波分裂方法。split(t)能够把一个会话湖分割成t和v-t两个子图，其中，v为原会话图的大小。在split(t-1)的基础上产生split(t)，利用该方法的递归性在包含t-1个点的空间内进行查找符合滤波分裂的条件的子图。这样的方法使得能够有效的实现原本包含噪声的会话湖得到进一步净化。理论上，这属于为后续的会话推荐做的数据预处理任务。
根据这种的分裂原则，在每一个最大会话图上计算非亲密系数，判断其与分裂系数的大小，来决定该动作下会话图是否分裂，直到所有的会话湖都递归地分裂完成。此时，可以得到类似图2(a)-(b)的数据表现形式。
可以看到，图2(a)的会话湖中部的节点是十分易断的，因此，分裂为了右图的三个部分。其中，被孤立的这一个节点，就是在此算法中被视作为噪声的数据。此时，图2(b)中的连接的两个子图，则是内部更亲密的。
本实施例中，所用来推荐的所有物品在模型中的图上都表示为节点。这里的孤立的节点，指的就是在会话湖中与其他子图都不太相关的物品节点。
(3)下降层
为了保证后续的图嵌入层能够单纯地学习到亲密性较高的会话而不受到噪声的影响，在下降层丢弃“孤立”的噪声点。这是一个简单的计算操作，但是请注意，所丢弃这些“孤立点”并非直接抛弃了，他们将在序列组件中得到考虑。
(4)会话湖嵌入层
对于下降层所输出的k个子会话湖，通过嵌入层得到每一个会话子图的潜在嵌入向量。
用户会话序列是原始的数据形式，我们对其进行统一编码，得到统一的形式，也就是通过嵌入的方法得到每一个会话的嵌入向量。嵌入向量仅仅是为了对原始数据形式进行压缩和统一编码处理，为了得到让后续门控图神经网络能够学习的形式。
与以往的会话推荐方法不同的是，大多数会话推荐是直接计算每一个会话的嵌入向量，或是直接将会话建模为图来计算会话图的嵌入向量，以保证学习期内部的item之间的相似性。但是在本实施例的模型中，能够得到两个、三个甚至更多的会话聚合而形成的会话图，显而易见，本实施例的的算法对于会话处理上能够更强的亲密性。
(5)门控图神经网络层
为了使模型能够同时学习时间和空间信息，选择门控图神经网络这一经典的用于空间域的神经网络来学习会话嵌入向量。
门控图神经网络能够对用户的行为偏好进行有效的学习。记住用户长期且稳定的偏好，忘记和删除短时的或者是噪声类的行为。因此，门控图神经网络层可以得到有效的用户偏好信息，基本上等同于神经网络模型所学习到的知识。
门控图神经网络结构可以通过以下式子表示：
hv(1)＝[xvt,0]t
av(t)＝av:t[h1(t-1)t…h|v|(t-1)t]t b
zvt＝σ(wzav(t) uzhv(t-1))
rvt＝σ(wrav(t) urhv(t-1))
其中，hv(1)表示节点v的d维初始状态，xvt是节点特征，a为包含了入度和出度的伴随矩阵，av(t)表示节点和相邻节点间通过边的相互作用的结果的一个2d维向量。由于伴随矩阵a既包含了入度也包含了出度，所以计算的结果与循环神经网络类似，即包含了双向的信息传递。
这里
基于ggnns的图网络特性，该网络层能够在不同情况下生成几种类型的一步输出。首先，ggnns通过为每一个物品节点v∈v输出节点得分得到outputvode＝g(hv(t),xv)，该输出在下一softmax层中与另一序列组件一起计算得到每一节点的推理分数。进一步地，得到图级的输出，其表示向量为：
σ(i(hv(t),xv))本质上是起到了注意力机制的作用，因为它可以决定哪些节点与当前图层级任务相关。hv(t)和xv的合并作为神经网络i和j的输入，并输出实值向量。tanh为激活函数，⊙表示element-wisemultiplication(逐元素乘法)。
门控图神经网络以图结构对用户会话信息在空间内进行建模，并能够利用自身网络的“记忆”与“遗忘”特性进一步对物品进行更新。
序列组件包括：
会话嵌入层，获取每一个原始会话序列对应的嵌入向量；
gru层，对会话的潜在嵌入向量进行建模；
具体地，由于序列组件与图组件共享同样的会话输入，因此，对于每一个会话s＝[vs,1,vs,2,...,vs,n]∈s，直接在会话嵌入层获取它们对应的嵌入向量。这样对会话直接编码的意义在于，可以保证直接学习会话内部的连续性物品信息，也就是一定程度上保留了图组件中丢弃的孤立节点。
使用一种经典的用于序列建模的gatedrecurrentunit(gru)来对会话的潜在嵌入向量进行建模。gru虽然并不是最前沿的网络结构，但是在序列建模上能够取得非常不错的效果。
与lstm(longshort-termmemory)不同，gru仅有两个门，分别是更新门和重置门。重置门有助于捕捉会话序列中短期的依赖关系，而更新门有助于捕捉长期的依赖关系。用下式来表示更新门(updategate)ut和重置门(resetgate)rt：
ut＝σ(xtwxr ht-1whr br)
rt＝σ(xtwxz ht-1whz bz)
其中，σ为sigmoid函数，取值为[0,1]。
对于候选隐含状态和隐含状态，定义如下：
ht＝ut⊙ht-1 (1-ut)⊙ht
其中，⊙是hadamard积，进行hadamard乘积的意义就在于使用重置门决定在当前记忆内容中要遗忘多少上一时刻隐藏状态的内容。值接近于0说明该信息被遗忘，接近于1则保留该信息。隐含状态ht使用更新门ut来对上一隐含状态ht-1和候选隐含状态进行更新。tanh为激活函数。
再次思考噪声问题，其重难点就是区分它是“干扰噪声”还是“偏好噪声”。对于噪声i，通过重置门来决定上一时刻隐藏状态中的信息是有多少需要被遗忘，当ri的值越接近于0，则说明这一噪声信息在传递过程中应该被遗忘，即可判断该噪声为“干扰噪声”；当该值接近于1时，则说明该噪声存在较多的有用信息，是不应该被遗忘的“偏好噪声”。
虽然对这一模块未做更多的特征处理，但是这一学习过程一定程度上也能够弥补图组件的一个应用弱点，也就是没有考虑到噪声数据的性质。可以看到，序列组件中主要是利用gru中的更新门和重置门来实现了噪声信息的过滤。
通过序列组件输出带有权重的用户偏好信息的隐藏状态，其物理意义是让模型学习用户的偏好。
上述图组件的输出和序列组件的输出进入线性层进行合并后，通过分类器得到每一个待推荐物品的潜在概率。
事实上，整个商品库中的物品都是待推荐物品。通过模型学习后，对于用户而言，每一个物品应该得到推荐的概率是不一样的，也就是潜在概率。
具体地，模型最终的任务可以由下式描述：
对于图输出和序列输出两个部分所得到的每一个物品的嵌入表示，我们用一个线性层以合并的形式进行连接，旨在不破坏两个组件所学习到的隐表示。最后，我们通过softmax层得到每一个待推荐物品的潜在概率：
实施例二
在一个或多个实施方式中，公开了一种基于会话噪声的滤波推荐方法，其特征在于，包括：图输出过程和序列输出过程；
其中，图输出过程为：
通过度量同一用户各原始会话序列之间的平移相似性，对会话序列进行聚类，得到若干个会话湖；
将已聚类的会话连成会话图，对会话图进行分割，去噪；
计算剩余每一个会话图的潜在嵌入向量，所述嵌入向量输入门控图神经网络，得到用户的偏好信息。
序列输出过程为：
获取每一个原始会话序列对应的嵌入向量，并进行建模，得到带有权重的用户偏好信息的隐藏状态；
将用户的偏好信息与带有权重的用户偏好信息的隐藏状态进行合并，通过分类器得到每一个待推荐物品的潜在概率。
上述方法的具体实现过程与实施例一中公开的过程相同，不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例二中的基于会话噪声的滤波推荐方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例二中的基于会话噪声的滤波推荐方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
1.一种基于会话噪声的滤波推荐方法，其特征在于，包括：
对同一用户的原始会话序列进行聚类，得到若干个会话湖；
将已聚类的会话连成会话图，对会话图进行分割，去噪；
计算剩余每一个会话图的潜在嵌入向量，所述嵌入向量输入门控图神经网络，得到用户的偏好信息；
同时获取每一个原始会话序列对应的嵌入向量，并进行建模，得到带有权重的用户偏好信息的隐藏状态；
将用户的偏好信息与带有权重的用户偏好信息的隐藏状态进行合并，通过分类器得到每一个待推荐物品的潜在概率。
2.如权利要求所述的一种基于会话噪声的滤波推荐方法，其特征在于，通过度量各会话序列之间的平移相似性，对会话序列进行聚类，具体为：
构建会话s1和s2之间的距离矩阵；
根据s1和s2之间的最长公共子串设置偏置容忍量；
将距离小于偏置容忍量的会话对进行聚类，得到若干个会话湖。
3.如权利要求所述的一种基于会话噪声的滤波推荐方法，其特征在于，将已聚类的会话连成会话图，具体为：
按顺序读取会话内部元素，对相邻元素在图内赋予一条边，最终得到亲密的会话湖图。
4.如权利要求所述的一种基于会话噪声的滤波推荐方法，其特征在于，对会话图进行分割，舍弃分割后孤立的噪声点，具体为：
把一个会话湖分割成t和v-t两个子图，其中，v为原会话图的大小，t为候选会话湖的子数；
计算每一个子图非亲密系数，根据非亲密系数与分裂系数的大小，确定相应的会话子图是否继续分裂；直到所有的会话湖都递归地分裂完成；
将分割后孤立的节点视为噪声点，去除。
5.如权利要求4所述的一种基于会话噪声的滤波推荐方法，其特征在于，所述非亲密系数根据分割后的两个子图部分的点的个数，以及连接两个会话湖的边的权重确定；
或者，所述分裂系数根据当前会话子图中边的数目以及当前会话子图中节点的数目确定。
6.如权利要求1所述的一种基于会话噪声的滤波推荐方法，其特征在于，采用gru对会话的潜在嵌入向量进行建模，通过重置门决定上一时刻隐藏状态中的信息是否需要被遗忘。
7.基于会话噪声的滤波推荐系统，其特征在于，包括：图组件和序列组件；所述图组件包括：
会话聚类层，被配置为通过度量各会话序列之间的平移相似性，对会话序列进行聚类，得到若干个会话湖；
图分裂层，被配置为将已聚类的会话连成会话图，并对会话图进行分割；
下降层，被配置为去除分割后的噪声点；
会话湖嵌入层，被配置为对于下降层所输出的若干子会话湖，计算每一个会话子图的潜在嵌入向量；
门控图神经网络层，被配置为根据接收到的嵌入向量，输出用户的偏好信息；
所述序列组件被配置为获取每一个原始会话序列对应的嵌入向量，并进行建模，得到带有权重的用户偏好信息的隐藏状态；
所述图组件的输出和序列组件的输出进入线性层进行合并后，通过分类器得到每一个待推荐物品的潜在概率。
8.如权利要求7所述的基于会话噪声的滤波推荐系统，其特征在于，所述序列组件包括：
会话嵌入层，被配置为获取每一个原始会话序列对应的嵌入向量；
gru层，被配置为对会话的潜在嵌入向量进行建模，输出带有权重的用户偏好信息的隐藏状态。
9.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-6任一项所述的基于会话噪声的滤波推荐方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的基于会话噪声的滤波推荐方法。
技术总结