基于用户-会话-物品层次结构学习用户相似性的个性化会话推荐
信息检索
2023-06-06 v1 人工智能
机器学习
摘要
会话推荐的任务是基于匿名用户的行为模式预测其下一次交互。由于能处理用户信息，该系统的个性化版本是一个有前景的研究领域。然而，典型会话推荐未考虑用户偏好与历史会话，因其仅关注用户-物品交互，这存在一些问题。此外，现有个性化会话推荐模型能力有限，仅考虑当前用户偏好而未考虑相似用户偏好，意味着用户-会话-物品层次数据结构中的信息可能丢失。为应对此问题，我们提出 USP-SBR（User Similarity Powered - Session Based Recommender 的缩写）。为建模用户的全局历史会话，我们提出含两类节点——物品节点（ItemNode）与用户节点（UserNode）——的 UserGraph，并以三类边连接节点：第一类边按时间顺序连接物品节点，第二类连接物品节点到用户节点，第三类连接用户节点到物品节点。利用这些用户嵌入，我们提出额外的对比损失，使意图相似的用户在向量空间中彼此靠近。我们在该 UserGraph 上应用图神经网络并更新节点。在两个真实数据集上的实验结果表明，我们的方法优于若干 SOTA 方法。
引用
@article{arxiv.2306.03040,
title = {Learning Similarity among Users for Personalized Session-Based Recommendation from hierarchical structure of User-Session-Item},
author = {Jisoo Cha and Haemin Jeong and Wooju Kim},
journal= {arXiv preprint arXiv:2306.03040},
year = {2023}
}
备注
7 pages, 5 figures