用于基于会话推荐的全局上下文增强图神经网络
信息检索
2021-06-10 v1
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。几乎所有现有的 SBR 解决方案仅基于当前会话对用户偏好建模，而未利用其他会话，而这些会话可能包含与当前会话相关和不相关的物品转移。本文提出一种称为全局上下文增强图神经网络（GCE-GNN）的新方法，以更精细的方式利用所有会话上的物品转移，从而更好地推断当前会话的用户偏好。具体而言，GCE-GNN 分别从会话图和全局图学习两个层次的物品嵌入：（i）会话图，通过建模当前会话内的成对物品转移来学习会话级物品嵌入；（ii）全局图，通过建模所有会话上的成对物品转移来学习全局级物品嵌入。在 GCE-GNN 中，我们提出一种新颖的全局级物品表示学习层，其采用会话感知注意力机制递归地融合全局图上每个节点的邻居嵌入。我们还设计了一个会话级物品表示学习层，其在会话图上采用 GNN 学习当前会话内的会话级物品嵌入。此外，GCE-GNN 通过软注意力机制聚合两个层次上学到的物品表示。在三个基准数据集上的实验表明，GCE-GNN 一致优于最先进的方法。
引用
@article{arxiv.2106.05081,
title = {Global Context Enhanced Graph Neural Networks for Session-based Recommendation},
author = {Ziyang Wang and Wei Wei and Gao Cong and Xiao-Li Li and Xian-Ling Mao and Minghui Qiu},
journal= {arXiv preprint arXiv:2106.05081},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2011.10173