利用图神经网络挖掘跨会话信息用于基于会话的推荐
信息检索
2021-07-12 v2
摘要
与传统推荐系统不同，基于会话的推荐系统引入了会话的概念，即用户与多个物品在一段时间内的交互序列，以保留用户近期兴趣。现有基于会话的推荐系统工作主要依赖挖掘单个会话内的顺序模式，其不足以表达捕获物品间更复杂的依赖关系。此外，由于会话数据的匿名性，其未考虑跨会话信息，从而阻碍了不同会话间的关联。本文中，我们利用图神经网络技术解决这些问题。首先，每个会话被表示为图而非线性序列结构，并基于此提出一种新颖的全图神经网络（FGNN）以学习复杂的物品依赖。为了在单个会话的表示学习中利用并融入跨会话信息，我们进一步构建广连接会话（BCS）图以关联不同会话，并提出一种新颖的掩码读出函数以基于 BCS 图改进会话嵌入。我们在两个电商基准数据集 Yoochoose 和 Diginetica 上进行了大量实验，实验结果通过与最先进的基于会话的推荐模型对比，证明了我们所提方法的优越性。
引用
@article{arxiv.2107.00852,
title = {Exploiting Cross-Session Information for Session-based Recommendation with Graph Neural Networks},
author = {Ruihong Qiu and Zi Huang and Jingjing Li and Hongzhi Yin},
journal= {arXiv preprint arXiv:2107.00852},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:1911.11942