SR-GCL：基于全局上下文增强对比学习数据增广的会话推荐
信息检索
2022-09-26 v2 人工智能
摘要
会话推荐旨在基于进行中的会话预测用户的下一步行为。先前的工作将会话建模为变长项目序列，并学习单个项目与聚合会话的表示。近期研究应用带有注意力机制的图神经网络，通过将会话建模为图结构数据来捕捉复杂的项目转移与依赖关系。然而，它们在数据与学习方法层面仍面临基本挑战，例如会话中的稀疏监督信号与噪声交互，导致次优性能。本文中，我们提出 SR-GCL，一种用于会话推荐的新型对比学习框架。作为对比学习的关键组成部分，我们提出两种全局上下文增强的数据增广方法，同时保持原始会话的语义。在两个真实世界电商数据集上的大量实验结果表明，与其他最先进方法相比，SR-GCL 具有优越性。
引用
@article{arxiv.2209.10807,
title = {SR-GCL: Session-Based Recommendation with Global Context Enhanced Augmentation in Contrastive Learning},
author = {Eunkyu Oh and Taehun Kim and Minsoo Kim and Yunhu Ji and Sushil Khyalia},
journal= {arXiv preprint arXiv:2209.10807},
year = {2022}
}
备注
11 pages. This paper has been accepted by DLG-AAAI'22