5、MFIL：基于图神经网络的会话推荐模型解析

MFIL：基于图神经网络的会话推荐模型解析

在会话推荐领域，如何准确预测用户接下来可能交互的物品是一个关键问题。MFIL（Multi - view Feature Interaction Learning）模型通过独特的设计和学习策略，在该领域展现出了显著的优势。本文将详细介绍MFIL模型的结构、工作原理，并通过实验结果分析其性能。

1. 任务定义

在会话推荐中，给定一个会话 $S$，其中 $v_{s_i}$ 表示会话 $S$ 中的第 $i$ 个物品，$l$ 表示会话 $S$ 的长度。同时，使用 $I = {i_{s_1}, i_{s_2}, …, i_{s_l}}$ 来表示相应的辅助信息。每个物品的共现信息可以表示为 $N = {N_{\epsilon}(v_{s_1}), N_{\epsilon}(v_{s_2}), …, N_{\epsilon}(v_{s_l})}$，其中 $N_{\epsilon}(v_{s_i})$ 表示在相邻会话中与 $v_{s_i}$ 共现的物品。任务的目标是预测用户在第 $(l + 1)$ 步可能交互的前 $N$ 个物品。

2. MFIL模型概述

MFIL模型主要包含三个组件：
- 会话级物品表示学习模块
- 全局级物品表示学习模块
- 会话表示学习模块

会话级模块在会话图中结合辅助信息 $I$ 学习物品嵌入，全局级模块基于共现信息 $N$ 整合全局图中相邻物品的信息，会话表示学习模块通过聚合前两个学习模块的表示来生成会话的表示。

其整体框架流程如下：

graph LR