SPGL：利用单正图学习增强基于会话的推荐

基于会话的推荐旨在根据用户的交互序列预测用户下一个感兴趣的项目。由于交互数据有限，基于会话的推荐面临数据可用性有限的挑战。传统方法通过构建复杂模型生成正负样本来增强特征学习。本文提出了一种基于会话的推荐模型，使用单正优化损失和图学习（SPGL）来处理数据稀疏性、模型复杂度高和可迁移性弱的问题。SPGL利用图卷积网络生成全局项目表示和批次会话表示，有效捕捉项目之间的内在关系。单正优化损失的使用提高了项目表示的均匀性，从而提升了推荐准确性。在意图提取器中，SPGL在构建有向全局图时考虑了邻接矩阵的跳数，以充分整合空间信息；在构建会话表示时还考虑了项目的反向位置信息，以融入时间信息。在三个基准数据集Tmall、RetailRocket和Diginetica上的对比实验证明了模型的有效性。源代码可在https://github.com/liang-tian-tian/SPGL获取。