基于会话的推荐中谨慎利用会话间信息
信息检索
2023-04-19 v1
摘要
有限的会话内信息是早期基于 GNN 的 SBR（基于会话的推荐）模型的性能瓶颈。因此，一些基于 GNN 的 SBR 模型已演进为引入额外的会话间信息以促进下一物品预测。然而，我们发现会话间信息的引入可能给这些模型带来干扰。可能的原因有两点。首先，会话间依赖关系未在因子层面加以区分。其次，仅通过相似度衡量会话间权重是不够的。本文中，我们提出 DEISI 以解决这些问题。针对第一个问题，DEISI 借助 DRL（深度强化学习）技术在因子层面区分会话间依赖的类型。针对第二个问题，DEISI 引入稳定性作为与相似度共同衡量会话间依赖权重的新指标。此外，使用 CL（对比学习）以提升模型的鲁棒性。在三个数据集上的大量实验表明，DEISI 模型相较于 SOTA（最先进）模型具有优越性能。
引用
@article{arxiv.2304.08894,
title = {Discreetly Exploiting Inter-session Information for Session-based Recommendation},
author = {Zihan Wang and Gang wu and Haotong Wang},
journal= {arXiv preprint arXiv:2304.08894},
year = {2023}
}