融合时间间隔增强图神经网络的多账户跨域序列推荐

多账户跨域序列推荐（Shared-account Cross-domain Sequential Recommendation, SCSR）任务旨在利用多域中混合的用户行为推荐下一个物品。随着越来越多用户倾向于在不同平台注册并与他人共享账户以访问特定领域服务，该任务正受到大量研究关注。现有 SCSR 工作主要依赖基于循环神经网络（Recurrent Neural Network, RNN）的模型挖掘序列模式，存在以下局限：1）基于 RNN 的方法过度侧重于发现单用户行为中的序列依赖，不足以刻画 SCSR 中多实体间的关系；2）所有现有方法均通过隐空间中的知识迁移连接两个域，忽略了显式跨域图结构；3）现有研究均未考虑物品间的时间间隔信息，而该信息对于刻画不同物品并学习其判别性表示在序列推荐中至关重要。本工作中，我们提出一种新的基于图的解决方案，即 TiDA-GCN，以应对上述挑战。具体而言，我们首先将各域中用户与物品连接为图，然后设计域感知图卷积网络学习用户特定节点表示。为充分考虑用户针对物品的域特定偏好，进一步开发了两种有效注意力机制以选择性引导消息传递过程。此外，为增强物品级与账户级表示学习，我们将时间间隔引入消息传递，并设计账户感知自注意力模块以学习物品的交互特征。实验从多方面证明了我们所提方法的优越性。