学习图常微分方程用于连续时间序列推荐

序列推荐旨在通过捕捉连续行为关联来理解用户偏好，这些关联通常基于过往交互表示为物品购买序列。现有工作一般通过建模序列模式预测下一物品。尽管有效，仍存在两个固有缺陷：（i）用户偏好本质动态，协作信号的演化常被忽略；（ii）观测交互常为非均匀采样，而现有方法假设均匀间隔建模物品转移。因此，如何有效建模并预测用户偏好的底层动态成为关键研究问题。为应对上述挑战，本文关注连续时间序列推荐，提出一种称为GDERec的原则性图常微分方程框架。技术上，GDERec以自回归图常微分方程为特征，其由两个组件构成，分别由两种定制图神经网络（GNN）参数化，从混合动力系统视角捕捉用户偏好。两个定制GNN以自回归方式交替训练，从非均匀观测追踪底层系统演化，从而学习有益于序列推荐的用户与物品有效表示。在五个基准数据集上的大量实验证明了我们的模型相对于各类最先进推荐方法的优越性。