用于序列推荐的记忆增强图神经网络
信息检索
2019-12-30 v1
摘要
用户-物品交互的时间顺序可以揭示许多推荐系统中随时间演化且具序列性的用户行为。用户将要交互的物品可能取决于过去访问过的物品。然而，用户和物品的急剧增长使得序列推荐系统仍面临不小的挑战：(1) 短期用户兴趣建模的困难；(2) 长期用户兴趣捕捉的困难；(3) 物品共现模式的有效建模。为应对这些挑战，我们提出一种记忆增强图神经网络（MA-GNN）来捕捉长期与短期用户兴趣。具体而言，我们应用图神经网络来建模短期内物品上下文信息，并利用共享记忆网络来捕捉物品间的长程依赖。除用户兴趣建模外，我们采用双线性函数来捕捉相关物品的共现模式。我们在五个真实世界数据集上对我们的模型进行了广泛评估，与几种最先进（SOTA）方法进行比较，并使用了多种性能度量。实验结果证明了我们的模型在 Top-K 序列推荐任务上的有效性。
引用
@article{arxiv.1912.11730,
title = {Memory Augmented Graph Neural Networks for Sequential Recommendation},
author = {Chen Ma and Liheng Ma and Yingxue Zhang and Jianing Sun and Xue Liu and Mark Coates},
journal= {arXiv preprint arXiv:1912.11730},
year = {2019}
}
备注
Accepted by the 34th AAAI Conference on Artificial Intelligence (AAAI 2020)