GAG：面向流式会话推荐的全属性图神经网络
信息检索
2021-07-12 v2
摘要
流式会话推荐（SSR）是一项具有挑战性的任务，要求推荐系统在流式场景下完成基于会话的推荐（SR）。在电子商务和社交媒体的真实应用中，特定时间段内生成的一系列用户-物品交互被归为一个会话，这些会话以流的形式连续到达。近期大多数 SR 研究聚焦于静态设定，即先获取训练数据再用于训练基于会话的推荐模型。它们需要对整个数据集进行若干轮训练，这在流式设定中不可行。此外，由于忽视或简单使用用户信息，它们难以很好地捕捉长期用户兴趣。尽管近期提出了一些流式推荐策略，但它们是为个体交互流而非会话流设计的。本文中，我们提出一种带有 Wasserstein 蓄水池的全局属性图（GAG）神经网络模型用于 SSR 问题。一方面，当新会话到达时，基于当前会话及其关联用户构建带有全局属性的会话图。因此，GAG 可同时考虑全局属性与当前会话，以学习更全面的会话与用户表示，从而获得更好的推荐性能。另一方面，为适配流式会话场景，提出 Wasserstein 蓄水池以帮助保留历史数据的代表性概要。在两个真实数据集上的大量实验验证了 GAG 模型相较最先进方法的优越性。
引用
@article{arxiv.2007.02747,
title = {GAG: Global Attributed Graph Neural Network for Streaming Session-based Recommendation},
author = {Ruihong Qiu and Hongzhi Yin and Zi Huang and Tong Chen},
journal= {arXiv preprint arXiv:2007.02747},
year = {2021}
}