面向会话推荐的图弹簧网络与信息锚点选择

会话推荐（SBR）旨在为正在进行中的匿名会话预测下一物品。SBR 的主要挑战在于如何捕捉物品间更丰富的关系，并学习基于 ID 的物品嵌入以捕捉此类关系。近期研究提出先从会话构建物品图，并采用图神经网络（GNN）从图中编码物品嵌入。尽管此类基于图的方法取得了性能提升，其 GNN 并不适用于 SBR 任务的基于 ID 的嵌入学习。本文认为，此类基于 ID 的嵌入学习的目的是捕捉一种“邻域亲和性”，即节点嵌入与其邻居在嵌入空间中相似。我们提出一种新的图神经网络，称为图弹簧网络（GSN），用于在物品图上学习基于 ID 的物品嵌入，以优化嵌入空间中的邻域亲和性。此外，我们认为即便堆叠多个 GNN 层也不足以编码图中相距较远的两个物品节点间的潜在关系。本文提出一种策略：先选择若干信息性物品锚点，再编码物品到这些锚点的潜在关系。综上，我们提出用于 SBR 任务的 GSN-IAS 模型（图弹簧网络与信息锚点选择）。我们首先构建物品图以描述所有会话中物品的共现关系。我们设计 GSN 用于基于 ID 的物品嵌入学习，并提出“物品熵”度量以选择信息锚点。随后设计无监督学习机制编码物品到锚点的关系。接着采用共享门控循环单元（GRU）网络学习两种会话表示并做出两个下一物品预测。最后设计自适应决策融合策略融合两个预测以做出最终推荐。