基于图嵌套 GRU ODE 的演化偏好学习用于会话推荐
信息检索
2022-08-23 v2
摘要
会话推荐（SBR）旨在基于进行中的会话预测用户的下一个动作。近来，对建模用户偏好演化以捕捉细粒度用户兴趣的关注日益增加。尽管会话背后的潜在用户偏好随时间连续漂移，大多数现有方法仍在离散状态空间中建模时序会话数据，无法捕捉细粒度的偏好演化并导致次优解。为此，我们提出图嵌套 GRU 常微分方程（ODE），即 GNG-ODE，一种将神经 ODE 思想扩展至连续时间时序会话图的新颖连续模型。所提模型保留了动态用户偏好的连续性，将物品转移的时间与结构模式编码为连续时间动态嵌入。由于现有 ODE 求解器未考虑图结构变化因而不能直接用于动态图，我们提出一种称为 t-Alignment 的时间对齐技术，以对齐一个批次内时序会话图的更新时间步。在三个基准数据集上的实证结果表明 GNG-ODE 显著优于其他基线。
引用
@article{arxiv.2206.12779,
title = {Evolutionary Preference Learning via Graph Nested GRU ODE for Session-based Recommendation},
author = {Jiayan Guo and Peiyan Zhang and Chaozhuo Li and Xing Xie and Yan Zhang and Sunghun Kim},
journal= {arXiv preprint arXiv:2206.12779},
year = {2022}
}
备注
Under Review