Rething the Item Order in Session-based Recommendation with Graph Neural Networks (FGNN 2019)

最新推荐文章于 2023-01-09 10:33:27 发布

Shuo Zhang

最新推荐文章于 2023-01-09 10:33:27 发布

阅读量658

点赞数 1

分类专栏：推荐系统文章标签：推荐系统人工智能推荐系统论文

本文链接：https://blog.youkuaiyun.com/NSSWTT/article/details/113280252

版权

本文探讨了使用图神经网络（GNN）改进基于会话的推荐系统，传统方法主要依赖注意力机制。作者提出了一种带权重的注意力图层（WGAT）和读出函数，以学习item和session的嵌入表示，考虑序列顺序和潜在顺序。通过构造带权重的有向会话图，WGAT能够捕获复杂的item转换模式。尽管模型能有效捕捉信息，但存在信息损失和无效长期依赖问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Rething the Item Order in Session-based Recommendation with Graph Neural Networks

本篇文章讲的仍然是使用图神经网络做基于session的推荐，传统的基于session的推荐主要通过利用注意力机制聚焦在序列模式上，但是用户的偏好比仅仅按照连续的时间模式复杂的多。本文通过构造session图来学习复杂的item转换模式，并同时考虑session图中的序列次序和潜在的次序来做推荐。特别的作者提出一个带权重的注意力图层（WGAT）和读出函数（Readout）来学习item和session的嵌入表示。论文的模型如下：
论文模型
首先将session转换为一个带权重的有向图，其中边的权重定义为会话中边出现的频率，图中的每个节点都会带有一个自循环，session的结构图表示如下图所示：
session结构图
图a表示session转换的结构图，图b表示为经过两跳X6邻居信息的传递。
在获得session图之后，经过WGAT层可以得到session中每个节点的嵌入表示，WGAT层的内部是如何构造的呢？首先经过自注意力机制将当前节点的所有邻居节点的信息聚合在当前节点上，但是考虑到不同的邻居对当前节点的重要性程度不同&#x

最低0.47元/天解锁文章