用于基于会话推荐的解耦图神经网络
信息检索
2022-01-12 v2
摘要
基于会话的推荐（SBR）因仅利用当前会话中有限用户行为历史而具有重大实用价值，近年来受到越来越多研究关注。现有方法通常在物品级别学习会话嵌入，即对有或没有分配给物品注意力权重的物品嵌入进行聚合。然而，它们忽略了一个事实：用户采用某物品是受该物品的某些因素驱动（例如电影的领衔主演）。换言之，它们未在因素级别探索更细粒度的用户兴趣以生成会话嵌入，导致次优性能。为解决该问题，我们提出一种称为解耦图神经网络（Disen-GNN）的新方法，在考虑每个物品因素级注意力的前提下捕捉会话目的。具体而言，我们首先采用解耦学习技术将物品嵌入投射为多个因素的嵌入，然后使用门控图神经网络（GGNN）基于为每个因素计算的项相邻相似矩阵按因素学习嵌入。此外，采用距离相关性增强各因素对之间的独立性。在以独立因素表示每个物品后，设计注意力机制以学习用户对话中每个物品不同因素的意图。随后通过以各物品因素注意力权重聚合物品嵌入生成会话嵌入。至此，我们的模型将因素级用户意图纳入考虑以推断会话中的用户目的。在三个基准数据集上的大量实验证明了本方法相对于现有方法的优越性。
引用
@article{arxiv.2201.03482,
title = {Disentangled Graph Neural Networks for Session-based Recommendation},
author = {Ansong Li and Zhiyong Cheng and Fan Liu and Zan Gao and Weili Guan and Yuxin Peng},
journal= {arXiv preprint arXiv:2201.03482},
year = {2022}
}