基于多意图平移图神经网络的购物篮推荐
信息检索
2020-10-23 v1 人工智能
摘要
购物篮推荐（BR）问题是向当前购物篮推荐一个排序的物品列表。现有方法通过假设同一购物篮内物品由一种语义关系相关联来解决此问题，从而优化物品嵌入。然而，当一个购物篮内存在多种意图时，该假设不成立。例如，假设一个购物篮包含 {bread, cereal, yogurt, soap, detergent}，其中 {bread, cereal, yogurt} 通过“早餐”意图相关联，而 {soap, detergent} 属于“清洁”意图，忽略物品间的多种关系会削弱模型学习嵌入的能力。为解决此问题，需要发现购物篮内的意图。然而，检索多意图模式相当具有挑战性，因为意图潜藏于购物篮中。此外，购物篮内的意图也可能相关。而且，发现多意图模式需要建模高阶交互，因为不同购物篮间的意图也相关。为此，我们提出一个名为多意图平移图神经网络（MITGNN）的新框架。MITGNN 将 个意图建模为通过一个对应购物篮嵌入经 个关系向量平移得到的尾实体。关系向量通过多头聚合器学习以处理用户和物品信息。此外，MITGNN 在我们定义的购物篮图上传播多个意图，通过聚合邻居来学习用户和物品的嵌入。在两个真实世界数据集上的大量实验证明了我们所提模型在直推式和归纳式 BR 上的有效性。代码可在 https://github.com/JimLiu96/MITGNN 在线获取。
引用
@article{arxiv.2010.11419,
title = {Basket Recommendation with Multi-Intent Translation Graph Neural Network},
author = {Zhiwei Liu and Xiaohan Li and Ziwei Fan and Stephen Guo and Kannan Achan and Philip S. Yu},
journal= {arXiv preprint arXiv:2010.11419},
year = {2020}
}
备注
Accepted to IEEE Bigdata 2020. Code is available online at https://github.com/JimLiu96/MITGNN