UBER-GNN：一种基于图神经网络的用户嵌入推荐方法
信息检索
2020-08-07 v1 机器学习
摘要
基于会话的推荐问题旨在根据会话历史预测用户的下一步行为。以往方法将会话历史建模为序列，并通过 RNN 和 GNN 方法估计用户潜在特征以进行推荐。然而，在包含虚拟与实体商品的大规模复杂金融推荐场景下，此类方法不足以表征准确的用户潜在特征，且忽略了用户的长期特性。为兼顾长期偏好与动态兴趣，我们提出一种新方法，即基于图神经网络的用户嵌入推荐（User-Based Embeddings Recommendation with Graph Neural Network，简称 UBER-GNN）。UBER-GNN 利用结构化数据生成长期用户偏好，并将会话序列转化为图以生成基于图的动态兴趣。最终用户潜在特征由长期偏好与动态兴趣通过注意力机制组合表示。在真实平安场景上开展的广泛实验表明，UBER-GNN 优于当前最先进的基于会话的推荐方法。
引用
@article{arxiv.2008.02546,
title = {UBER-GNN: A User-Based Embeddings Recommendation based on Graph Neural Networks},
author = {Bo Huang and Ye Bi and Zhenyu Wu and Jianming Wang and Jing Xiao},
journal= {arXiv preprint arXiv:2008.02546},
year = {2020}
}
备注
6 pages, accepted by CIKM 2019 GRLA workshop