用于会话推荐的对比式多级图神经网络
信息检索
2023-11-07 v1 人工智能
摘要
会话推荐(SBR)旨在基于匿名用户行为序列预测某一时间点的下一个物品。现有方法通常基于简单的物品转移信息来建模会话表示。然而，由于基于会话的数据由有限的用户短期交互组成，通过从单一维度捕获固定物品转移信息来建模会话表示会面临数据稀疏问题。本文中，我们提出一种新颖的对比式多级图神经网络(CM-GNN)，以更好地利用复杂且高阶的物品转移信息。具体而言，CM-GNN分别在当前会话与所有会话上应用局部级图卷积网络(L-GCN)与全局级网络(G-GCN)，通过聚合策略有效捕获所有会话上的成对关系。同时，CM-GNN应用超级图卷积网络(H-GCN)来捕获所有物品转移间的高阶信息。CM-GNN进一步引入基于注意力的融合模块，通过融合L-GCN与G-GCN生成的物品表示来学习基于成对关系的会话表示。CM-GNN对H-GCN获得的物品表示取平均以得到基于高阶关系的会话表示。此外，为将高阶物品转移信息转换为基于成对关系的会话表示，CM-GNN通过对比学习范式最大化融合模块与平均池化层所得表示间的互信息。我们在多个广泛使用的基准数据集上进行了大量实验以验证所提方法的有效性。令人鼓舞的结果表明，我们提出的方法优于最先进的SBR技术。
引用
@article{arxiv.2311.02938,
title = {Contrastive Multi-Level Graph Neural Networks for Session-based Recommendation},
author = {Fuyun Wang and Xingyu Gao and Zhenyu Chen and Lei Lyu},
journal= {arXiv preprint arXiv:2311.02938},
year = {2023}
}