轻量且高效：基于位置提示的外部注意图卷积网络用于顺序推荐

基于图的顺序推荐系统 (GSR) 因能同时处理用户-物品交互和物品之间的时间关系而获得广泛关注。当前 GSR 常采用复合或深层结构进行图编码（如图转换器），但计算复杂度高，阻碍在资源受限的边缘设备部署。此外，图转换器中的相对位置编码难以考虑序列中复杂的位置依赖性。为此，我们提出一种基于外部注意图卷积网络和位置提示的外部注意图卷积网络，用于顺序推荐，称为 EA-GPS。具体而言，我们首先引入外部注意图卷积网络，通过两个外部记忆单元线性度量节点之间的全局关联。随后，我们提出一种位置提示解码器，显式地将物品的绝对位置作为外部提示。通过引入长度自适应顺序掩码和软注意网络，该解码器促进模型捕获序列中长期位置依赖性和情境关系。广泛的实验结果表明，所提出的 EA-GPS 在五个真实数据集上优于当前最先进的方法。显著的是，虽然实现了卓越性能，却保持更小的参数规模和更低的训练开销。该工作实现已公开于 https://github.com/ZZY-GraphMiningLab/EA-GPS。