RetaGNN: 关系型时态注意图神经网络（整体序列推荐） WWW2021

ABSTRACT

顺序推荐（SR）是一种依据用户当前浏览的项目，为用户精准生成项目列表的技术。随着现实中不断有新用户加入，一个重要的挑战是构建具有归纳能力的SR模型，该模型能够在无需重新训练的情况下生成用户和物品的嵌入表示。同时，由于用户与物品之间的交互信息往往较为稀疏，另一个关键目标是开发具备迁移能力的SR方法，使其能够将一个数据丰富领域中的知识迁移到另一个领域中。在本研究中，我们致力于构建一种适用于常规、归纳及迁移场景下的统一SR框架。为此，我们提出了一种基于深度学习的新颖模型——关系时间注意力图神经网络（RetaGNN）。RetaGNN的设计理念主要体现在三个方面。首先，为了实现归纳与迁移功能，我们基于从用户-物品对中提取出的局部子图对相关注意力图神经网络进行训练 ，其中可学习的权重矩阵用于描述用户、物品以及属性之间的多种关系，而非单纯地作用于节点或边。（所有权重矩阵均用于调控用户的偏好，并且用户的表示形式保持通用性）其次，通过所设计的顺序自注意力机制 ，对用户的长期与短期时间行为模式进行编码。第三，在模型训练过程中引入了一个关系感知的正则化项以提升训练效果。实验结果表明，在MovieLens、Instagram以及Book-Crossing数据集上，RetaGNN在常规、归纳和迁移设置下均优于现有最先进的方法。此外，得出的关注度权重也增强了模型