通过对齐与均匀性约束增强归因图网络用于基于会话的推荐

基于匿名会话预测用户下一行动的基于会话的推荐（SBR）正日益受到关注，其实用性突出。大多数SBR模型仅依赖短会话内的上下文转换来学习物品表示，忽略了额外有价值的知识。因此，其模型容量受限于由于短会话导致的数据稀疏问题。少数研究利用物品属性建模（MIA）来丰富物品表示。然而，这些方法通常涉及特定的模型设计，难以迁移到现有的属性无关型SBR模型，因而缺乏通用性。本文提出了一个模型无关框架，称为AttrGAU（带对齐与均匀性约束的归因图网络），以将MIA的优势引入现有的属性无关模型，提高其针对推荐的准确性和鲁棒性。具体而言，我们首先构建了一个二分型归因图，并设计了一个属性感知图卷积来挖掘异构物品-属性关系中隐藏的丰富属性语义。我们随后将现有的属性无关型SBR模型解耦为图神经网络和注意力读取子模块，以满足非侵入性要求。最后，我们设计了两种表示约束，即对齐和均匀性，以优化属性语义与协同语义之间表示分布的差异。在三个公共基准数据集上的大量实验表明，所提出的AttrGAU框架可以显著提高背板模型的推荐性能和对数据稀疏和数据噪声问题的鲁棒性。我们的实现代码将在https://github.com/ItsukiFujii/AttrGAU上提供。