AAAI 2019
原作关于这篇文章的blog：https://sxkdz.github.io/research/SR-GNN/
Github地址：https://github.com/CRIPAC-DIG/SR-GNN
本文提出了一种基于会话的图形神经网络推荐系统（SR-GNN）。
Introduction
之前存在的问题：
- 在基于会话的推荐系统中，会话大多是匿名的，且数量众多；
- 之前的方法总是模拟连续项目之间的单向过渡，而忽略了上下文之间的过渡，即SESSION中的其他项目。
主要工作：
- 将会话序列建模为图结构数据，并使用图神经网络捕获复杂的项目间转换；
- 不依赖用户表示，完全基于会话内部的潜在向量获得Session Embedding。
Model
Figure1: Model
图结构边的权重为该边出现的次数除以该边起始节点的出度，节点v为长度为d的向量，Session向量s为由节点向量v组成的向量。
Graph Neural Networks层使用 Gated GNN，其计算公式为：
计算公式
其中A_s是由两个邻接矩阵A(in)和A(out)通过concatenation形成的(n, 2n)的矩阵，而A_s,i可以理解成矩阵的第i行(1, 2n)。如下图所示：
图片来自原作者博客
之后应用一个注意力机制。图1中，s1是这一个session中最后点击的item，即最后一个v。的s_g要考虑全局的v，应用软注意力机制，其计算公式为：
接着将之前得到的s_1和s_g连接，输入到一个线性层：
最后使用一个softmax层计算score。
Loss Function为交叉熵损失，最后使用Back-Propagation Through Time (BPTT)算法训练模型。
Experiments & Result
作者对比了许多baseline方法，同时改变建立图结构的方法再次进行了对比。
