面向会话推荐的时间感知多兴趣图神经网络
信息检索
2022-01-03 v1
摘要
基于会话的推荐（SBR）是一项具有挑战性的任务，旨在基于匿名交互序列推荐下一物品。尽管现有 SBR 方法性能优越，仍存在若干局限：（i）几乎所有现有工作都集中于单一兴趣提取，未能解耦用户的多种兴趣，易导致 SBR 的次优表示。（ii）此外，先前方法还忽略了多形式的时间信息，而该信息是获取 SBR 当前意图的重要信号。为解决上述局限，我们提出一种称为时间感知多兴趣图神经网络（TMI-GNN）的新方法，通过注入两级时间信息来解耦多兴趣并生成精炼的意图表示。具体而言，通过追加多个兴趣节点，我们为当前会话构建多兴趣图，并采用 GNN 对物品-物品关系建模以捕获相邻物品转移、物品-兴趣关系以解耦多兴趣、兴趣-物品关系以精炼物品表示。同时，我们融入物品级时间间隔信号以引导物品信息传播，以及兴趣级时间分布信息以辅助兴趣信息分散。在三个基准数据集上的实验表明，TMI-GNN 持续优于其他最先进方法。
引用
@article{arxiv.2112.15328,
title = {Temporal aware Multi-Interest Graph Neural Network For Session-based Recommendation},
author = {Qi Shen and Shixuan Zhu and Yitong Pang and Yiming Zhang and Zhihua Wei},
journal= {arXiv preprint arXiv:2112.15328},
year = {2022}
}