自监督混合图神经网络的会话推荐模型

TP391; 基于会话的推荐旨在利用匿名会话预测用户行为.现有基于图神经网络(GNN)的会话推荐算法大多仅针对当前会话提取用户偏好,却忽略了来自其他会话的高阶多元关系从而影响推荐精度.此外,由于会话推荐所采用的短时交互序列包含的信息非常有限,使其更容易受到数据稀疏性的影响.针对上述问题,提出了自监督混合图神经网络会话推荐模型(SHGN).该模型首先通过将原始数据构建为三个视图来描述会话与物品关系,然后通过多头图注意力网络捕获会话内部物品的低阶转换信息,提出了残差图卷积网络捕获物品和会话的高阶转换信息;最后融合自监督学习(SSL)作为辅助任务,通过最大化不同通道学习到的会话嵌入的互信息,对原始数...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 18; no. 4; pp. 1021 - 1031
Main Authors 章淯淞, 夏鸿斌, 刘渊
Format Journal Article
LanguageChinese
Published 江苏省媒体设计与软件技术重点实验室,江苏 无锡 214122 01.04.2024
江南大学 人工智能与计算机学院,江苏 无锡 214122%江南大学 人工智能与计算机学院,江苏 无锡 214122
Subjects
自监督学习
图神经网络
多视图建模
会话推荐
session-based recommendation
self-supervised learning
graph neural network
multi-view modeling
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.2212043

Cover

More Information
Summary:TP391; 基于会话的推荐旨在利用匿名会话预测用户行为.现有基于图神经网络(GNN)的会话推荐算法大多仅针对当前会话提取用户偏好,却忽略了来自其他会话的高阶多元关系从而影响推荐精度.此外,由于会话推荐所采用的短时交互序列包含的信息非常有限,使其更容易受到数据稀疏性的影响.针对上述问题,提出了自监督混合图神经网络会话推荐模型(SHGN).该模型首先通过将原始数据构建为三个视图来描述会话与物品关系,然后通过多头图注意力网络捕获会话内部物品的低阶转换信息,提出了残差图卷积网络捕获物品和会话的高阶转换信息;最后融合自监督学习(SSL)作为辅助任务,通过最大化不同通道学习到的会话嵌入的互信息,对原始数据进行数据增强从而提升推荐性能.为了验证该方法的有效性,在Tmall、Diginetica、Now-playing、Yoochoose四个基准数据集上与SR-GNN、GCE-GNN、DHCN等主流基线模型进行了对比实验,实验结果在P@20、MRR@20等性能指标上均取得了一定提升.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.2212043