基于图神经网络建模复杂依赖的会话推荐
信息检索
2022-07-25 v2 人工智能
摘要
会话推荐（SBR）从会话中捕获物品依赖以推荐下一个物品。近年来，得益于图神经网络（GNN）在建模复杂依赖上的优越性，基于GNN的SBR成为主流。基于强邻接依赖假设，多数基于GNN的SBR中会话内任意两个相邻物品必然依赖。然而，我们认为由于用户行为的不确定性与复杂性，邻接并不一定意味着依赖。上述假设在实际推荐场景中并非总成立，易致两点缺陷：（1）会话中出现因相邻但不真依赖物品导致的虚假依赖；（2）会话中因不相邻但真依赖物品导致的真实依赖缺失。这些缺陷显著影响物品表示学习，降低下游推荐性能。为弥补不足，我们提出一种新颖的评论精炼物品间图神经网络（RI-GNN），利用从物品评论提取的主题信息改善物品间依赖。在两个公开真实数据集上的实验表明RI-GNN优于SOTA方法。
引用
@article{arxiv.2201.12532,
title = {Modeling Complex Dependencies for Session-based Recommendations via Graph Neural Networks},
author = {Qian Zhang and Wenpeng Lu},
journal= {arXiv preprint arXiv:2201.12532},
year = {2022}
}
备注
12 pages, 4 figures, conference