GNN for Session-based Recommendation: A Graph Neural Networks Approach

基于会话的图神经网络推荐

摘要

研究者设计出SR-GNN模型，将用户会话序列转化为图结构的数据形式。借助会话图的构建，GNN能够有效识别物品间的复杂转换关系。在每个会话中，通过引入注意力机制，将用户的整体偏好与当前阶段的偏好进行融合，从而实现更精准的表示。

介绍

作者对以下内容进行了批评：

1. 基于马尔可夫链的方法高度依赖于数据独立性这一前提假设。
2. 在基于RNN的会话推荐系统中，如NARM（结合全局与局部RNN结构的推荐模型）以及STAMP（通过简单的MLP网络和注意力机制捕捉用户普遍兴趣与即时兴趣）等模型，若缺乏恰当的用户行为表现，则难以有效生成用户的特征表示，同时忽略了物品之间转换过程中所蕴含的上下文信息。

此外，作者强调图神经网络能够有效生成物品的嵌入向量，并以此论证所提出的SR-GNN方法具有更优表现。

主要贡献包括：

• 将会话序列转化为图结构形式的数据，从而借助GNN技术提取物品的嵌入向量
• 不以用户的表征作为依赖条件，而是采用会话嵌入层进行推荐任务

主要流程：

方法

采用图