基于图神经网络的序列推荐

序列推荐旨在利用用户的历史行为来预测其下一次交互。现有工作尚未解决序列推荐中的两个主要挑战。首先，用户在其丰富历史序列中的行为通常是隐式且含噪的偏好信号，不足以反映用户的真实偏好。此外，用户的动态偏好常随时间快速变化，因此难以捕捉其历史序列中的用户模式。在本工作中，我们提出一种称为 SURGE（即 SeqUential Recommendation with Graph neural nEtworks 的缩写）的图神经网络模型来解决这两个问题。具体而言，SURGE 通过基于度量学习将松散的物品序列重构为紧密的物品-物品兴趣图，把长期用户行为中的不同类型偏好整合为图中的簇。这有助于通过在兴趣图中形成稠密簇来显式区分用户的核心兴趣。随后，我们在所构造的图上执行簇感知与查询感知的图卷积传播及图池化。它从含噪的用户行为序列中动态融合并提取用户当前激活的核心兴趣。我们在公开及专有工业数据集上进行了大量实验。实验结果表明，相较于最先进的方法，我们所提方法取得了显著的性能提升。关于序列长度的进一步研究证实，我们的方法能够高效且有效地对长行为序列进行建模。