57、基于IE - DHGAT的序列推荐方法解析

基于IE - DHGAT的序列推荐方法解析

在当今的信息时代，序列推荐系统在电商、社交等众多领域发挥着至关重要的作用。它能够根据用户的历史交互序列，预测用户接下来可能感兴趣的物品，从而为用户提供个性化的推荐服务。本文将详细介绍一种新颖的意图增强双异构图注意力网络（IE - DHGAT），用于序列推荐任务。

1. 研究背景与贡献

在序列推荐任务中，由于物品的多样性和用户交互数据的稀疏性，准确学习物品的特征并丰富物品嵌入中的信息是一个具有挑战性的问题。此外，用户在与物品交互时通常具有不断变化的意图，如何有效地捕捉这些意图也是序列推荐的关键。

为此，研究者提出了IE - DHGAT模型，其主要贡献如下：
- 构建了一个可扩展的异构图，包含物品及其各种属性，并设计了双异构图注意力网络，将物品的各种属性信息明确地融入到物品嵌入中，缓解了数据稀疏导致的物品嵌入信息难以丰富的问题。
- 提出了意图增强注意力层，通过计算物品之间的相关性并区分用户交互序列中的不同意图区域，有效地获取用户的长期偏好和短期偏好，从而捕捉用户不断变化的意图。
- 在三个真实世界的数据集上进行了广泛的实验，结果表明该方法比现有技术取得了更好的性能。

2. 预备知识

2.1 异构图构建

可以基于物品的静态属性以及与之交互的用户构建异构图 $G = (V, E)$。定义了四种类型的节点，分别对应物品（$I$）、用户（$U$）、类别（$C$）和品牌（$B$），以及六种类型的边，表示它们之间的各种关系。在创建用户与物品之间的边时，忽略用户购买物品的次数。

在异构图中，两个物品可以通过不同的元路径连接，例如物品 -