6、MAGNN - GC：基于会话的推荐系统创新方案

MAGNN - GC：基于会话的推荐系统创新方案

1. 问题陈述

会话式推荐（SBR）旨在仅根据用户的历史会话序列来预测其下一次点击的物品，而非依赖其长期偏好概况。设 $V = {v_1, v_2, …, v_m}$ 表示会话中所有用户点击过的物品。一个按时间戳排序的匿名会话序列 $s = [v_{s1}, v_{s2}, …, v_{sn}]$ 用于表示会话，长度为 $n$，$v_{s,n + 1}$ 表示用户的下一次点击物品。最终会生成所有候选物品的概率排名列表，并推荐概率最高的前 $k$ 个物品。

2. 预备知识

为了描述当前会话中不同层次的物品转换，引入了两种图模型：全局图和局部图。
- 全局图 ：
- 对于 SBR，基于 RNN 的方法旨在捕捉顺序模式以学习特定于会话的物品表示，而基于 GNN 的方法通过构建会话图来学习物品嵌入，该图表示用户交互的历史序列并捕获相邻节点的信息。因此构建全局图来建模所有会话中的全局级物品转换。
- 定义 $\varepsilon$-邻域集 $N_{\varepsilon}(v_{p}^{i})$ 来建模全局级物品转换：
[N_{\varepsilon}(v_{p}^{i}) = {v_{p}^{j} | v_{p}^{i} = v_{p}^{i’} \in S_{p} \cap S_{q}; v_{p}^{j} \in S_{q}; j \in [i’ - \varepsilon, i’ + \varepsilon]; S_{p} \neq S_{q}}]
- 全局图定义为 $G_{g} = (V_{g}, E_{g})$，是一个无向加权图，其中 $V_{g}