面向个性化基于会话推荐的异质全局图神经网络
信息检索
2022-03-01 v4 人工智能
摘要
预测短期交互会话的下一个交互是基于会话推荐中的一项挑战性任务。几乎所有现有工作都依赖物品转移模式，并在建模用户偏好时忽略用户历史会话的影响，这常导致非个性化推荐。此外，现有个性化基于会话的推荐器仅基于当前用户的会话来捕获用户偏好，却忽略了其他用户历史会话中有用的物品转移模式。为解决这些问题，我们提出一种新颖的异质全局图神经网络(Heterogeneous Global Graph Neural Networks, HG-GNN)，以精细的方式利用所有会话上的物品转移，从而更好地从当前与历史会话推断用户偏好。为有效利用来自用户的全部会话上的物品转移，我们提出一种包含会话物品转移、用户-物品交互和全局共现物品的新型异质全局图。此外，为全面捕获会话中的用户偏好，我们提出通过两个图增强偏好编码器从全局图学习两级用户表示。具体而言，我们在异质全局图上设计了一种新颖的异质图神经网络(HGNN)，以学习具有丰富语义的长期用户偏好与物品表示。基于 HGNN，我们提出当前偏好编码器与历史偏好编码器，分别从当前与历史会话捕获不同级别的用户偏好。为实现个性化推荐，我们整合用户当前偏好与历史兴趣的表示以生成最终的用户偏好表示。在三个真实世界数据集上的大量实验结果表明，我们的模型优于其他最先进(state-of-the-art, SOTA)方法。
引用
@article{arxiv.2107.03813,
title = {Heterogeneous Global Graph Neural Networks for Personalized Session-based Recommendation},
author = {Yitong Pang and Lingfei Wu and Qi Shen and Yiming Zhang and Zhihua Wei and Fangli Xu and Ethan Chang and Bo Long and Jian Pei},
journal= {arXiv preprint arXiv:2107.03813},
year = {2022}
}
备注
9 pages, 4 figures