结合自监督学习的图神经网络会话推荐

摘要：

基于会话的推荐方法由于短期用户交互数据有限,与传统推荐方法相比,其性能更容易受到数据稀疏性问题的影响.为增强会话数据以缓解数据稀疏对会话推荐性能的影响,提出一种结合自监督学习的图神经网络会话推荐(Ss-GNN)模型.构建会话图并建立基于图注意力网络的会话推荐任务来获取项目级表示和会话级表示;从会话级表示的角度出发,利用用户的一般兴趣和当前兴趣来构建辅助任务获取自监督信号;利用自监督学习实现推荐任务和辅助任务之间的互信息最大化,以增强会话数据,从而提升推荐性能.在Yoochoose和Tmall两个公开数据集上进行实验,与基线模型相比,提出的模型在Yoochoose上P@20和MRR@20至少提升了0.94％和0.79％,在Tmall上P@20和MRR@20至少提升了9.61％和4.67％,证明了Ss-GNN模型的有效性.

关键词：会话推荐、自监督学习、数据稀疏性、图神经网络

所属期刊栏目：59

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61772249

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：244-252