SelfGNN：面向序列推荐的自监督图神经网络

序列推荐通过建模用户的时间与序列交互模式，有效解决了信息过载问题。为克服监督信号的局限性，近期方法在推荐系统中采用了自监督学习技术。然而，仍有两个关键挑战尚未解决。首先，现有序列模型主要关注单个交互序列的长期建模，忽略了不同用户行为之间有价值的短期协作关系。其次，真实世界数据常包含噪声，尤其体现在用户的短期行为中，这些噪声可能源于临时意图或误点击。此类噪声对图模型和序列模型的准确性均产生负面影响，进一步复杂化了建模过程。为应对这些挑战，我们提出了一种名为自监督图神经网络（SelfGNN）的新框架用于序列推荐。SelfGNN框架基于时间间隔编码短期图，并利用图神经网络（GNN）学习短期协作关系。它通过间隔融合和动态行为建模，在多个粒度级别捕获长期用户和物品表示。重要的是，我们的个性化自增强学习结构通过基于长期用户兴趣和个人稳定性来减轻短期图中的噪声，从而增强了模型鲁棒性。在四个真实世界数据集上进行的大量实验表明，SelfGNN优于各种最先进的基线方法。我们的模型实现代码可在 https://github.com/HKUDS/SelfGNN 获取。