时空对比学习增强的GNN用于基于会话的推荐
信息检索
2024-02-20 v4
摘要
基于会话的推荐(SBR)系统旨在利用用户的短期行为序列预测下一个物品，而无需详细用户画像。近期多数工作通过将会话视为物品间转移图，并利用各种图神经网络(GNNs)来编码物品及其邻居间成对关系的表示，从而建模用户偏好。现有部分基于GNN的模型主要关注从空间图结构视角聚合信息，忽略了消息传递过程中物品邻居内的时间关系，信息损失导致次优问题。其他工作通过引入额外时间信息应对该挑战，但缺乏空间与时间模式间的充分交互。为解决此问题，受对比学习技术的均匀性与对齐性启发，我们提出一种称为时空对比学习增强GNN的基于会话推荐(RESTC)的新框架。其思路是通过辅助跨视图对比学习机制，以时间表示补充基于GNN的主监督推荐任务。此外，利用一种新颖的全局协同过滤图(CFG)嵌入来增强主任务中的空间视图。大量实验表明，与最先进基线相比RESTC性能显著提升，例如在HR@20上提升多达27.08%，在MRR@20上提升20.10%。
引用
@article{arxiv.2209.11461,
title = {Spatio-Temporal Contrastive Learning Enhanced GNNs for Session-based Recommendation},
author = {Zhongwei Wan and Xin Liu and Benyou Wang and Jiezhong Qiu and Boyu Li and Ting Guo and Guangyong Chen and Yang Wang},
journal= {arXiv preprint arXiv:2209.11461},
year = {2024}
}
备注
Accepted by ACM Transaction on Information Systems (ACM TOIS)