HCGR：面向会话推荐的双曲对比图表示学习
信息检索
2021-07-13 v1 人工智能
摘要
会话推荐（SBR）通过捕捉用户行为演化中的短期与序列模式来学习用户偏好。在 SBR 领域的研究中，基于图的方法是一类相对强大的方式，通常通过在欧氏空间下消息聚合来提取物品信息。然而，此类方法无法有效提取会话中连续物品之间所包含的层次信息，而该信息对表示用户偏好至关重要。本文提出一种双曲对比图推荐器（HCGR），这是一个涉及洛伦兹双曲空间的、用于充分捕捉物品连贯性与层次表示的会话推荐原则性框架。在该框架内，我们设计了一种新颖的自适应双曲注意力计算，以聚合基于会话的行为序列中每个用户偏好的图消息。此外，通过考虑双曲空间中正负样本间的测地距离，利用对比学习优化物品表示。在四个真实世界数据集上的大量实验表明，HCGR 在 、 和 方面持续优于最先进基线 0.43-28.84。
引用
@article{arxiv.2107.05366,
title = {HCGR: Hyperbolic Contrastive Graph Representation Learning for Session-based Recommendation},
author = {Naicheng Guo and Xiaolei Liu and Shaoshuai Li and Qiongxu Ma and Yunan Zhao and Bing Han and Lin Zheng and Kaixin Gao and Xiaobo Guo},
journal= {arXiv preprint arXiv:2107.05366},
year = {2021}
}