面向高效可解释基于会话推荐的因果与相关图建模

基于会话的推荐近期受到蓬勃关注，其聚焦于基于匿名会话预测用户下一个感兴趣的物品。大多数现有研究采用复杂深度学习技术（如图形神经网络）以实现有效的基于会话推荐。然而，它们仅关注物品间的共现，却未能很好区分因果与相关关系。考虑到物品间因果与相关关系具有不同解释与特性，本研究提出一种称为 CGSR 的新方法，通过联合建模物品间因果与相关关系来应对该问题。特别地，我们在同时考虑虚假因果问题的情况下，从会话中构造因果、效应和相关图。我们进一步设计了一种基于图神经网络的基于会话推荐方法。总之，我们致力于从特定的“因果”（有向）和“相关”（无向）视角探索物品间关系。在三个数据集上的大量实验表明，我们的模型在推荐精度上优于其他最先进方法。此外，我们进一步在 CGSR 上提出一个可解释框架，并通过 Amazon 数据集上的案例研究展示了我们模型的可解释性。