10.19678/j.issn.1000-3428.0066245
基于自监督学习的多密度图会话推荐
基于会话的推荐系统旨在根据匿名用户短时间内的历史行为序列预测下一个可能的项目,会话中的项目来自用户的反馈数据.然而,在海量的候选项目集中,用户倾向于反馈其中的小部分项目,除了少部分热门项目外,大量长尾项目的反馈数据非常稀疏.现有的会话推荐方法大多集中在对会话的序列模式以及项目之间的复杂关联关系进行建模,忽略了会话推荐中的长尾分布现象.针对这一问题,提出一种基于多任务自监督学习的会话推荐模型.在原始推荐任务基础上,使用基于项目频率的逆采样器建立自监督学习任务,以增强对长尾项目嵌入的学习,同时缓解数据稀疏性.此外,构建一个多密度会话图,并通过统一的图神经网络以可解释的方式学习会话的嵌入,以更准确地捕捉用户意图.为了避免过拟合,采用带有标签平滑正则化的交叉熵作为目标函数.实验结果表明,与GCE-GNN、COTREC、MSGIFSR等先进的基线方法相比,该方法在Diginetica、Tmall、Gowalla和Last.FM这4个真实数据集上的命中率与宏命中率显著提升,其中,在top-20推荐结果上,命中率分别提升了1.37%、5.88%、0.30%和2.16%,宏命中率分别提升了2.49%、12.86%、1.97%和10.19%.
会话推荐、图神经网络、自监督学习、多任务学习、多密度图、长尾分布
49
TP391(计算技术、计算机技术)
国家重点研发计划2020YFC2008400
2023-09-25(万方平台首次上网日期,不代表论文的发表时间)
共10页
60-68,78