融合全局信息的注意力增强会话推荐方法

摘要：

近年来,基于会话推荐系统(session-based recommender system,SRS)的应用和研究是推荐系统的一个热门方向.如何利用用户会话信息进一步提升用户满意度和推荐精确度,是基于会话推荐系统的主要任务.目前大多数SBR模型仅基于目标会话对用户偏好建模,忽略了来自其他会话的物品转换信息,导致无法全面了解用户偏好.为了解决其局限性,提出融合全局上下文信息注意力增强的图神经网络模型(global context information graph neural networks for session-based recommendation,GCI-GNN).该模型利用所有会话上的物品转换关系,更准确地获取用户偏好.具体而言,GCI-GNN从目标会话和全局会话学习物品向量表示.使用位置感知注意网络,将反向位置信息纳入物品嵌入中.考虑会话长度信息学习用户表示进而达到更有效的推荐.在Diginetica和Yoochoose数据集上进行实验,实验结果表明,相对最优的基准模型,GCI-GNN模型在Diginetica数据集各项指标上的提高超过2个百分点,在Yoochoose数据集上,GCI-GNN模型在各项指标上的提高超过1个百分点,验证了GCI-GNN模型的有效性.

关键词：会话的推荐、图神经网络、用户兴趣、注意力网络

所属期刊栏目：58

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;辽宁省教育厅科学研究项目

在线出版日期：2022-11-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：131-141