面向会话推荐的转移信息增强解耦图神经网络

基于会话的推荐是一项实用的推荐任务，它基于匿名行为序列预测下一个物品，其性能严重依赖于序列中物品之间的转移信息。SBR 中的 SOTA 方法采用 GNN 从全局（即其他会话）和局部（即当前会话）上下文建模相邻物品转移。然而，大多数现有方法平等对待来自不同会话的邻居，未考虑来自不同会话的邻居物品可能在不同的方面与目标物品共享相似特征且可能具有不同贡献。换言之，它们未探索全局上下文中物品间更细粒度的转移信息，导致次优性能。本文通过提出一种新颖的转移信息增强解耦图神经网络（TIE-DGNN）模型来填补这一空白，以捕获物品间更细粒度的转移信息，并试图通过建模物品的各种因素来解释转移的原因。具体而言，我们提出一种位置感知全局图，利用相对位置信息建模相邻物品转移。然后，我们将物品嵌入切分为块，每块代表一个因素，并使用解耦模块在全局图上分别学习因素嵌入。对于局部上下文，我们通过注意力机制训练物品嵌入以捕获当前会话中的转移信息。至此，我们的模型考虑了两个层次的转移信息。尤其在全局文本中，我们不仅考虑了物品间更细粒度的转移信息，还考虑了因素层面的用户意图以解释转移的关键原因。在三个数据集上的大量实验证明了我们的方法相对于 SOTA 方法的优越性。