Sequential Recommendation with Graph Neural Networks (SigIR 21)

摘要

顺序推荐致力于利用用户的互动历史来估计其未来的交互行为。现有研究尚未有效应对序列推荐中的两大核心问题：一方面，在用户丰富的历史序列中难以提取可靠的显式偏好信号；另一方面，在动态变化的兴趣模式难以准确捕捉其历史序列中的潜在规律。针对这些问题，在本研究中我们提出了一个称为Surge的新图神经网络模型来解决这两个关键挑战。具体而言,Surge通过度量学习方法将分散的项目序列转化为结构紧凑的项目间兴趣图,并将长期用户的多维度偏好整合到图中特定簇中,从而能够更清晰地识别出用户的深层兴趣焦点区域。接着,我们在构建的兴趣图上分别实现了簇感知型和查询感知型卷积传播机制以及层级化池化过程,从而能够从噪声的历史行为序列中动态融合并提取出当前活跃的核心兴趣特征。为了验证该方法的有效性,我们在公共数据集和专用工业数据集中进行了系统性实验分析。实验结果表明,Surge相较于现有最先进的方法在性能指标上实现了显著提升,尤其是在处理长尾分布的数据时表现尤为突出

1引言

顺序推荐旨在利用用户的序列历史行为数据来推断其未来的特定行动，在现代在线信息系统（包括新闻资讯平台、多媒体服务（如视频网站）以及商业广告等领域）中已被广泛应用于实现精准预测功能。相较于基于静态用户偏好的传统推荐模型而言，这种动态建模方法能够更好地反映用户的实时变化偏好模式；例如，在体育赛事期间关注足球相关内容的观众群体