Next-Item Recommendation with Sequential Hypergraphs, SIGIR20

摘要

当前学术界对下一项推荐系统的关注度持续上升，该类系统能够借助用户交互序列推断出用户的动态偏好。尽管项目语义在时间维度和用户群体间存在差异，但可通过短期用户行为所定义的项目关联性进行提炼，从而有效捕捉此类变化，并辅助识别用户的动态倾向。基于此，我们致力于构建一种依托连续超图结构的创新性下一项目推荐框架。具体而言，该框架包含以下三个核心组件：（i）利用超图结构表达短期项目关联性，并通过多层卷积操作提取超图中的高阶连接特征；（ii）引入残差门控机制以建模不同时间区间间的关联关系；（iii）设置融合模块，在将动态项目嵌入与短期用户意图整合至每项交互的表示中之前，将其输入至用于动态用户建模的自注意力层进行处理。实验结果表明，在Amazon、Etsy以及Goodreads等平台的数据集上，该模型在预测用户可能感兴趣的下一件商品时，相较于现有最优方法具有显著优势。

介绍

item之间可能形成三元或更高阶的关联结构，然而常规图模型难以有效表征此类复杂关系，同时物品之间还存在多步跳跃式的潜在联系。同一物品在不同时段所呈现的特征语义存在差异，且在不同应用场景下其表达含义也会发生变化。借助项目间短期存在的关联特性

![在这里插入图片描述](https://ad.itadn.com/c/weblog/blog-img/images/2025-05-31/nSPrJq7T