IHGNN：面向个性化产品搜索的交互式超图神经网络
信息检索
2022-02-11 v1
摘要
一个好的个性化产品搜索 (PPS) 系统不仅应专注于检索相关产品，还应考虑用户的个性化偏好。近期关于 PPS 的工作主要采用表示学习范式，例如，从历史用户行为（即用户-产品-查询交互）中学习每个实体（包括用户、产品和查询）的表示。然而，我们认为现有方法没有充分利用关键的协同信号，该信号潜藏于历史交互中，用于揭示实体间的亲和度。协同信号对于生成高质量表示非常有帮助，利用它可以使一个节点从其相连节点中受益于表示学习。为了解决这一局限，本文提出了一种用于个性化产品搜索的新模型 IHGNN。IHGNN 利用由历史用户-产品-查询交互构建的超图，该超图能够完全保留三元关系，并基于拓扑结构表达协同信号。在此基础上，我们开发了一个特定的交互式超图神经网络，以将结构信息（即协同信号）显式编码到嵌入过程中。它从超图邻居收集信息，并显式建模邻居特征交互，以增强目标实体的表示。在三个真实世界数据集上的大量实验验证了我们的提议相对于现有最先进方法的优越性。
引用
@article{arxiv.2202.04972,
title = {IHGNN: Interactive Hypergraph Neural Network for Personalized Product Search},
author = {Dian Cheng and Jiawei Chen and Wenjun Peng and Wenqin Ye and Fuyu Lv and Tao Zhuang and Xiaoyi Zeng and Xiangnan He},
journal= {arXiv preprint arXiv:2202.04972},
year = {2022}
}
备注
Presented at Proceedings of the ACM Web Conference 2022 (WWW '22)