用户会话约束的个性化会话推荐异构图神经网络

该推荐系统为用户提供了一个适当限制的最近在线大量信息。最近，在这些会话中包含用户信息的研究正在取得进展。然而，很难生成包含用户生成的会话表示的高质量用户表示。在本文中，我们考虑了会话通过异构注意网络创建的图中的各种关系。约束还强制用户表示考虑会话中显示的用户首选项。它试图通过在培训过程中进行额外的优化来提高绩效。该模型在各种真实数据集上的性能优于其他方法。

1.Introduction

如果用户表示只是聚合项表示，则可能不会考虑用户创建的会话的含义。例如，与同一本书交互时，一些用户可能会对其类型有偏好，而其他用户可能会对这些书的发行年份有偏好。此外，由于此过程只是聚合项目的信息，因此可能会导致忽略会话的唯一信息。最后，当在预测下一个会话项目时简单地应用交叉熵损失，其他有希望的候选对象可能会离开向量空间。为了解决这个问题，我们使用异构注意网络来反映每个元路径之间的重要性。我们通过反映每个用户创建的会话信息来生成用户表示，并通过考虑候选项来学习。

PRELIMINARY

目的是对用户信息编码，以实现个性化推荐。定义 $V=\left\{ v_{1},...,v_N \right\}$ 和 $U=\left\{ u_1,...,u_M \right\}$ ，令 $S_{u_1}=\left\{ s_{u_{i,1}},...,s_{u_{i,w}} \right\}$ 是每个用户的会话列表，其中 $s_{u_{i,j}}$ 表示用户 $u_i$ 的第j条session。

模型

构造异构全局图

将会话序列转换为有向异构图G=(V,E)。节点集V由用户和项目组成，边集由两个元路径：用户-项和项-项构成，每个边被表示成（ $v_i,v_j,r$ ）.

项-项：在现有的基于图的会话推荐系统中，由于项目之间的切换意味着两个项目之间的相似性，故通过考虑前一项和后一项之间的关系来构件图。这种关系具体体现为（ $v_i,v_j,r_{out}$ ）（ $v_i,v_j,r_{in}$ ）。

项-用户：这种关系表示用户和项之间的交互。具体来说，用户单击的项目节点和用户节点通过该元路径连接。它由一个关系（ $u_i,v_i,r_{clicked}$ ）组成，意味着用户ui单机了一个项目vi，反之（ $v_i,u_i,r_{clicked-by}$ ）。生成的图有效的表示了项目之间的关系以及这些项目与用户之间的关系。