图上异构信息交叉的基于会话的推荐系统
信息检索
2022-10-25 v1 机器学习
摘要
推荐系统是推荐符合用户个性与潜在需求的内容或物品的基础信息过滤技术。作为解决用户识别困难与历史信息不可用的关键方案，基于会话的推荐系统仅依赖用户在当前会话中的行为提供推荐服务。然而，现有多数研究未能很好地建模实际场景中的异构用户行为并捕捉它们之间的关联。为填补此空白，本文提出一种新颖的基于图的方法，即图上异构信息交叉（HICG）。HICG 利用会话中多种类型的用户行为构建异构图，并通过在图上有效交叉异构信息来捕捉用户当前兴趣及其长期偏好。此外，我们还提出增强版本 HICG-CL，其引入对比学习（CL）技术以增强物品表示能力。通过利用跨不同会话的物品共现关系，HICG-CL 提升了 HICG 的推荐性能。我们在三个真实推荐数据集上进行了大量实验，结果验证了：(i) HICG 通过利用异构图上的多种行为类型达到了最先进性能；(ii) HICG-CL 通过所提出的对比学习模块进一步显著提升了 HICG 的推荐性能。
引用
@article{arxiv.2210.12940,
title = {Heterogeneous Information Crossing on Graphs for Session-based Recommender Systems},
author = {Xiaolin Zheng and Rui Wu and Zhongxuan Han and Chaochao Chen and Linxun Chen and Bing Han},
journal= {arXiv preprint arXiv:2210.12940},
year = {2022}
}
备注
Accepted by ACM Transactions on the Web (TWEB)