基于图神经网络的上下文感知会话推荐
信息检索
2023-10-17 v1 人工智能
摘要
会话推荐（SBR）是一项旨在基于会话中匿名用户行为序列预测物品的任务。尽管已有方法利用会话中丰富的上下文信息进行 SBR，但大多数存在以下局限：1）在构建全局图以利用跨会话上下文时，未能区分物品-物品边类型；2）为每个物品学习固定的嵌入向量，缺乏反映用户兴趣跨会话变化的灵活性；3）通常使用目标物品的一热编码向量作为硬标签进行预测，从而无法捕捉真实用户偏好。为解决这些问题，我们提出 CARES，一种新颖的基于图神经网络的上下文感知会话推荐模型，它利用会话中不同类型的上下文来捕捉用户兴趣。具体而言，我们首先构建多关系跨会话图，根据会话内与跨会话物品级上下文连接物品。进一步，为编码用户兴趣的变化，我们设计了个性化物品表示。最后，我们采用标签协作策略生成软用户偏好分布作为标签。在三个基准数据集上的实验表明，CARES 在 P@20 和 MRR@20 指标上持续优于 SOTA 模型。我们的数据与代码公开于 https://github.com/brilliantZhang/CARES。
引用
@article{arxiv.2310.09593,
title = {Context-aware Session-based Recommendation with Graph Neural Networks},
author = {Zhihui Zhang and JianXiang Yu and Xiang Li},
journal= {arXiv preprint arXiv:2310.09593},
year = {2023}
}
备注
10 pages, 10 figures, conference