面向类别感知会话推荐的意图自适应图神经网络
信息检索
2022-04-12 v2
摘要
会话推荐(SBR)旨在短会话内推荐物品，鉴于如今用户画像在电商和短视频推荐等多种场景中不可见而被提出。存在一种常见场景：用户指定物品的目标类别作为全局过滤器，然而以往的 SBR 设定主要考虑物品序列，忽视了丰富的目标类别信息。因此，我们定义了一项新任务称为类别感知会话推荐(CSBR)，聚焦于上述场景，其中推荐系统可有效利用用户指定的类别。为应对所提任务的挑战，我们开发了名为意图自适应图神经网络(IAGNN)的新方法，其利用物品与其类别间的关系来实现准确推荐。具体而言，我们构建含物品与类别节点的类别感知图以表示会话中的复杂转移信息。在该类别感知图上使用意图自适应图神经网络，通过将历史交互信息迁移至用户指定类别域来捕获用户意图。在三个真实世界数据集上的大量实验表明，我们的 IAGNN 在新任务中优于当前最优基线。
引用
@article{arxiv.2112.15352,
title = {Intention Adaptive Graph Neural Network for Category-aware Session-based Recommendation},
author = {Chuan Cui and Qi Shen and Shixuan Zhu and Yitong Pang and Yiming Zhang and Hanning Gao and Zhihua Wei},
journal= {arXiv preprint arXiv:2112.15352},
year = {2022}
}