LESSR 处理基于会话的推荐的图神经网络信息丢失 推荐系统经典文章阅读

先前介绍了SRGNN，其中给出了一种基于会话的推荐方法，注重项目之间的复杂转换，并且将会话序列建模为图结构数据。发布在KDD20上。

前置知识

图神经网络：Graph neural networks (GNNs)是直接对图数据进行操作的神经网络。 它们用于学习任务，例如图分类、节点分类和链接预测问题。本文只关注图分类问题，因为基于会话的推荐可以表述为这样的问题。

图神经网络处理图分类问题的建模：$G=(V,E)$是给定的图，$V$和$E$是点和边的集合。每个节点$i\in V$与一个节点特征向量$x_i$关联，该向量作为初始节点表示传递到 GNN 的第一层。
大多数 GNN 可以从消息传递的角度来理解。在 GNN 的每一层中，节点表示通过沿边传递消息来更新。该过程可以表述如下：
$$\begin{array}{rl}& x_i^{(l+1)}=f_{upd}^{(l)}\left(x_i^{(l)},{\arg }_i^{(l)}\right)\\ & {\arg }_i^{(l)}=f_{agg}^{(l)}\left(\left\{f_{msg}^{(l)}\left(x_i^{(l)},x_j^{(l)}\right):(j,i)\in E_{in}(i)\right\}\right)\end{array}$$
其中$x_i^{(l)}$是节点$i$在$l$层的表示，$E_{in}(i)$是节点$i$的传入边集，$f_{msg}^{(l)}$计算从邻近节点传播到目标节点的消息，$f_{agg}^{(l)}$聚合传递到目标节点的信息。$f_{upd}^{(l)}$根据原始节点表示和聚合信息计算新节点表示。
$L$是GNN的层数，在$L$层中传递$L$步消息后，最终节点表示将捕获有关图结构和$L$跳社区内节点特征的信息。
对于图分类任务，通过读出函数$f_{out}$聚合最后一层中所有节点的表征来生成图级表示 ${\mathbf{h}}_G$：
h G = f o u t ( { x i ( L ) : i ∈ V } ) \boldsymbol{h}_G=f_{out}(\{\boldsymbol{x}_i^{(L)}:i\in V\}) hG​=fout​({ xi(L)​:i∈V})

概述（动机与存在的问题）

原文概述：最近，图神经网络 (GNN) 因其在各种应用中令人信服的性能而越来越受欢迎。许多先前的研究也尝试将 GNN 应用于基于会话的推荐并获得了有希望的结果。然而，我们发现这些基于 GNN 的会话推荐方法存在两个信息丢失问题，即有损会话编码问题和无效的长距离依赖捕获问题。第一个问题是有损会话编码问题。由于从会话到图的有损编码以及消息传递过程中的排列不变聚合，一些关于项目转换的顺序信息被忽略。第二个问题是无效的长距离依赖捕获问题。由于层数有限，无法捕获会话内的一些长距离依赖关系。为了解决第一个问题，我们提出了一种无损编码方案和一种基于 GRU 的边序保留聚合层，专门用于处理无损编码的图。为了解决第二个问题，我们提出了一个快捷图注意层，通过沿快捷连接传播信息来有效地捕获长距离依赖关系。通过结合这两种层，我们能够构建一个不存在信息丢失问题的模型，并且在三个公共数据集上的表现优于最先进的模型。

从中得到的消息：当时（2022年）会话推荐的编码是有损的（会损失item顺序消息），第二个是长距离的依赖没有被算法捕获到，本文主要创造一种无损编码方案解决第一个问题，用图注意层引发解决第二个问题。

简介部分

首先介绍了会话推荐是什么（阅读SRGNN中总结为匿名、长度较短、数量众多），多数下一项推荐通过用户的历史行为挖掘序列模式学习用户偏好，会话推荐属于特殊的下一项推荐，因其会当前会话的信息具有强相关性。

但是当前的GNN-based方法引有两个信息丢失问题，分别是有损会话编码问题和无效的长距离依赖捕获问题。
有损会话编码问题（lossy session encoding problem）：下图可对应两个序列$[v_1,v_2,v_3,v_3,v_2,v_2$