RetaGNN:用于整体序列推荐的关系时序注意力图神经网络
信息检索
2021-02-01 v1 机器学习
社会与信息网络
摘要
序列推荐(SR)是基于用户当前访问项准确推荐一列物品。真实世界中新用户不断到来,一项关键任务是具备归纳式SR,可在无需重训练情况下生成用户与物品嵌入。鉴于用户-物品交互可能极稀疏,另一关键任务是具备可迁移SR,可将富数据域所得知识迁移至另一域。本工作旨在提出同时容纳常规、归纳与可迁移设置的整体SR。我们提出一种基于深度学习的新模型——关系时序注意力图神经网络(RetaGNN)用于整体SR。RetaGNN核心思想有三。其一,为具归纳与可迁移能力,我们在从用户-物品对提取的局部子图上训练关系注意力GNN,其中可学习权重矩阵位于用户、物品与属性间多种关系上,而非节点或边上。其二,用户偏好的长期与短期时序模式由所提序列自注意力机制编码。其三,设计关系感知正则项以更好训练RetaGNN。在MovieLens、Instagram与Book-Crossing数据集上的实验表明,RetaGNN在常规、归纳与可迁移设置下均优于SOTA方法。所得注意力权重亦带来模型可解释性。
引用
@article{arxiv.2101.12457,
title = {RetaGNN: Relational Temporal Attentive Graph Neural Networks for Holistic Sequential Recommendation},
author = {Cheng Hsu and Cheng-Te Li},
journal= {arXiv preprint arXiv:2101.12457},
year = {2021}
}
备注
Accepted to The Web Conference (WWW) 2021