用于序列推荐的庞加莱异构图神经网络
信息检索
2022-05-24 v1 人工智能
机器学习
摘要
序列推荐（SR）通过捕捉用户行为演化中的序列模式来学习用户偏好。如诸多文献所讨论，SR 的用户-物品交互普遍呈现固有的幂律分布，可归结为类层级结构。以往方法通常在欧几里得空间下凭经验对用户-物品进行分段来处理此类层级信息，这可能导致真实在线场景中用户-物品表示的失真。本文提出一种名为 PHGR 的基于庞加莱（Poincaré）的异构图神经网络，用于同时建模 SR 场景数据中包含的序列模式信息与层级信息。具体而言，为显式捕捉层级信息，我们首先通过整合所有用户-物品交互构建加权用户-物品异构图，从全局视角提升各用户的感知域。随后全局表示的输出被用于补充局部有向物品-物品同构图卷积。通过定义一种新颖的双曲内积算子，全局与局部图表示学习直接在庞加莱球中进行，而非常用的庞加莱球与欧几里得空间间的投影操作，从而缓解一般双向转换过程的累积误差问题。此外，为显式捕捉序列依赖信息，我们设计了两类庞加莱球空间下的时间注意力操作。在公开与金融行业数据集上的实证评估表明，PHGR 优于若干对比方法。
引用
@article{arxiv.2205.11233,
title = {Poincar\'{e} Heterogeneous Graph Neural Networks for Sequential Recommendation},
author = {Naicheng Guo and Xiaolei Liu and Shaoshuai Li and Qiongxu Ma and Kaixin Gao and Bing Han and Lin Zheng and Xiaobo Guo},
journal= {arXiv preprint arXiv:2205.11233},
year = {2022}
}
备注
32 pages, 12 figuews