基于GNN的会话推荐算法性能比较

在基于会话的推荐设置中，推荐系统无法访问长期用户画像，因此必须基于当前会话中观察到的用户交互来提供建议。由于此类会话可能仅包含少量交互，近年来提出了多种基于图神经网络（GNN）的方法，因为它们能够自然地整合关于物品的各种辅助信息。不幸的是，文献中使用了多种评估设置（例如协议、指标和基线），使得评估当前最先进技术变得困难。在这项工作中，我们展示了八种近期发表在高质量期刊上的基于GNN的方法的评估结果。为了公平比较，所有模型在相同条件下使用三个常见数据集进行系统调优和测试。我们还加入了k近邻和基于序列规则的模型作为基线，因为这些模型在类似设置中先前已表现出有竞争力的性能。令我们惊讶的是，评估显示，简单模型在平均倒数排名（我们用作优化标准）上优于所有最新的GNN模型，仅在三种情况下在命中率上被超越。进一步分析还揭示，论文中通常不深入讨论的几个因素（例如随机种子）会显著影响基于GNN模型的性能。因此，我们的结果（a）指出了社区在研究方法论上的持续问题，（b）表明基于会话的推荐仍有很大的改进空间。