一种用于会话基于推荐系统的自适应权重图神经网络模型

会话基于推荐系统旨在基于用户在当前会话中的顺序交互来建模用户兴趣，从而预测下一个项目。在本工作中，我们提出了一种可用于会话基于推荐（SBR）的新方法。我们的目标是通过在图神经网络（GNN）向量上引入自适应加权机制，来提高现有会话基于推荐模型（SR-GNN）的预测准确性。该机制旨在整合通过不同方法获得的各种侧边信息。由于加权机制，项目在每个会话中的重要性程度会有所不同。我们假设，这种自适应加权策略将有助于更准确地进行预测，从而提高SBR在不同情景下的整体性能。该自适应加权策略可用于解决SBR的冷启动问题，通过动态调整每个会话中项目的重要性，从而在面对新用户或新加入项目的冷启动情形时提供更好的推荐。我们在Dressipi 数据集上的实验评估表明，与传统模型相比，所提出的方法在提升用户体验方面效果显著，展示了其在实际应用中优化推荐结果的潜力。