面向序列推荐的边增强全局解耦图神经网络

序列推荐一直是推荐系统中广受关注的研究课题。现有工作基于循环网络和自注意力机制等多种方法，致力于提升序列推荐系统的预测能力。然而，它们未能发现并区分物品之间可能存在的、驱动用户行为的潜在关系。本文提出一种边增强全局解耦图神经网络（EGD-GNN）模型，以捕获物品间的关系信息，用于全局物品表示与局部用户意图学习。在全局层面，我们在所有序列上构建全局连接图以建模物品关系，并设计通道感知解耦学习层将边信息分解至不同通道，聚合后从邻居节点表示目标物品。在局部层面，我们采用变分自编码器框架学习当前序列上的用户意图。我们在三个真实数据集上评估所提方法，实验结果表明我们的模型相比最先进的基线取得显著提升，并能够区分物品特征。