Memory-augmented graph neural networks for sequential recommendation (AAAI'20)

Abstract

通过分析用户的项目交互时间序列数据模式, 可以更深入地理解推荐系统中的动态行为与偏好演化规律。然而, 在实际应用场景中, 由于数据量的增长导致短期兴趣模型难以精确捕捉变化特征; 同时, 长期趋势分析面临较高的计算复杂度挑战; 基于项目的共现模式捕捉复杂的协同关系同样面临诸多技术难题。针对上述问题, 本研究提出了一种 named entity enhanced graph neural network (NEE-GNN) 模型, 其核心思想在于通过动态融合长短期记忆信息来提升模型性能。为了全面验证该方法的有效性与优越性, 我们在多个典型真实世界数据集上进行了系列实验评估, 并与现有最先进的对比实验方法进行了系统的性能比较。实验结果表明所提出的模型能够显著提升Top-K顺序推荐任务的表现

Introduction

伴随着互联网服务与移动设备的快速发展

在互联网上，在线产品或项目的入口按照时间顺序供用户依次访问。 未来的交互项目可能与其过去的浏览历史存在显著关联性。 该特性对实际场景中的序列推荐问题具有重要意义。 基于序列推荐机制，在常规推荐模型之外我们认为还有三个关键因素值得建模：当前用户的短期偏好、长期持续性偏好以及项目的共现模式关系。 当前用户的短期偏好主要由近期浏览的历史记录决定。 长期持续性偏好反映了早期项目的长期影响力与其未来访问行为