探索全局信息用于基于会话的推荐
信息检索
2021-06-02 v2
摘要
基于会话的推荐（SBR）是一项具有挑战性的任务，旨在基于匿名行为序列推荐物品。大多数现有 SBR 研究仅基于当前会话建模用户偏好，而忽略了来自其他会话的物品转移信息，因而难以对复杂的物品转移模式建模。为应对这些局限，我们引入全局物品转移信息以增强动态物品转移的建模。为充分挖掘全局物品转移信息，本文研究了两种为 SBR 探索全局信息的方式。具体而言，我们首先提出一个基于 GNN 的基础框架（BGNN），其仅在会话图上使用会话级物品转移信息。基于 BGNN，我们提出一种新方法，称为带全局信息的基于会话推荐（SRGI），它通过从两个不同视角充分探索所有会话上的全局物品转移来推断用户偏好：（i）基于融合的模型（SRGI-FM），在会话级物品表示的学习过程中递归地将全局图上各节点的邻居嵌入整合进来；（ii）基于约束的模型（SRGI-CM），将全局级物品转移信息视为约束，以确保学到的物品嵌入与全局物品转移一致。在三个流行基准数据集上的大量实验表明，SRGI-FM 与 SRGI-CM 均一致优于最先进的方法。
引用
@article{arxiv.2011.10173,
title = {Exploring Global Information for Session-based Recommendation},
author = {Ziyang Wang and Wei Wei and Gao Cong and Xiao-Li Li and Xian-Ling Mao and Minghui Qiu and Shanshan Feng},
journal= {arXiv preprint arXiv:2011.10173},
year = {2021}
}