用于序列推荐的位置增强与时间感知图卷积网络
信息检索
2022-01-17 v2 机器学习
摘要
现有大多数基于深度学习的序列推荐方法利用循环神经网络架构或自注意力来建模用户历史行为中的序列模式与时间影响，并学习用户在特定时刻的偏好。然而，这些方法有两个主要缺陷。第一，它们从以用户为中心的角度建模用户动态状态，且总是忽视物品随时间的动态变化。第二，它们大多只处理一阶用户-物品交互，未考虑用户与物品间的高阶连通性，而后者近期已被证明有助于序列推荐。为解决上述问题，本文中我们试图通过二部图结构建模用户-物品交互，并提出一种基于位置增强与时间感知图卷积网络（PTGCN）的序列推荐新方法。PTGCN 通过定义位置增强且时间感知的图卷积操作并在二部图上以自注意力聚合器同时学习用户与物品的动态表示，来建模用户-物品交互间的序列模式与时间动态。此外，它通过堆叠多层图卷积实现了用户与物品间的高阶连通性。为证明 PTGCN 的有效性，我们与若干竞争性基线相比，在三个不同规模的真实数据集上对 PTGCN 进行了全面评估。实验结果表明，就两个常用的排序评估指标而言，PTGCN 优于若干最先进模型。
引用
@article{arxiv.2107.05235,
title = {Position-enhanced and Time-aware Graph Convolutional Network for Sequential Recommendations},
author = {Liwei Huang and Yutao Ma and Yanbo Liu and Bohong and Du and Shuliang Wang and Deyi Li},
journal= {arXiv preprint arXiv:2107.05235},
year = {2022}
}
备注
33 pages, 7 figures, 8 tables