用于基于会话推荐的自我监督超图卷积网络
信息检索
2022-03-01 v5
摘要
基于会话的推荐（SBR）关注于某一时间点的下一项预测。由于该场景下用户画像通常不可用，捕捉物品转移中蕴含的用户意图起着关键作用。近期基于图神经网络（GNNs）的 SBR 方法将物品转移视为成对关系，忽视了物品间复杂的高阶信息。超图为捕捉超越成对的关系提供了自然方式，但其在 SBR 中的潜力尚未被探索。在本文中，我们通过将会话数据建模为超图来填补这一空白，并提出一种超图卷积网络以改进 SBR。此外，为增强超图建模，我们设计了另一种基于超图线图的图卷积网络，并通过最大化由这两个网络学习到的会话表示之间的互信息，将自我监督学习整合到网络训练中，作为改进推荐任务的辅助任务。由于这两类网络均基于超图，可视为超图建模的两个通道，我们将模型命名为 \textbf{DHCN}（双通道超图卷积网络）。在三个基准数据集上的大量实验证明了我们的模型相对于 SOTA 方法的优越性，并且结果验证了超图建模和自我监督任务的有效性。我们模型的实现可在 https://github.com/xiaxin1998/DHCN 获取。
引用
@article{arxiv.2012.06852,
title = {Self-Supervised Hypergraph Convolutional Networks for Session-based Recommendation},
author = {Xin Xia and Hongzhi Yin and Junliang Yu and Qinyong Wang and Lizhen Cui and Xiangliang Zhang},
journal= {arXiv preprint arXiv:2012.06852},
year = {2022}
}
备注
9 pages, 4 figures, accepted by AAAI'21. Correct some typos in the previous version