结合物品特征的会话推荐无监督图嵌入
信息检索
2025-03-13 v2
摘要
在基于会话的推荐系统中，预测基于用户在会话中的先前行为。State-of-the-art序列推荐算法要么使用图神经网络将会话建模在图中，要么通过利用物品特征来利用会话的相似性。在本文中，我们结合这两种方法并提出了一种新颖的方法——图卷积网络扩展(Graph Convolutional Network Extension, GCNext)，该方法通过图卷积网络将物品特征直接纳入图表示中。GCNext创建了一个特征丰富的物品共现图，并以无监督方式学习相应的物品嵌入。我们在三个数据集上表明，将GCNext集成到序列推荐算法中显著提升了最近邻方法和神经网络模型的性能。我们灵活的扩展易于纳入state-of-the-art方法中，并将MRR@20提升了高达12.79%。
引用
@article{arxiv.2502.13763,
title = {Unsupervised Graph Embeddings for Session-based Recommendation with Item Features},
author = {Andreas Peintner and Marta Moscati and Emilia Parada-Cabaleiro and Markus Schedl and Eva Zangerle},
journal= {arXiv preprint arXiv:2502.13763},
year = {2025}
}
备注
Paper accepted at CARS: Workshop on Context-Aware Recommender Systems at the 16th ACM Conference on Recommender Systems (RecSys) 2022