摘要:会话推荐根据匿名用户短期内的交互数据预测下一个交互物品。针对会话中物品少、物品长尾分布等特性,现有基于图对比学习的会话推荐模型提出对会话内物品采用随机裁剪、扰动等方式构造正负样本。然而,上述随机退出策略进一步缩减较短会话中的可用物品,使得会话更加稀疏,引起会话兴趣学习偏差。为此,提出了结合图对比学习的多图神经网络会话推荐方法。其核心思想是:在物品局部图、物品全局图等上提取融入物品局部和全局的高阶邻域物品表示,并生成物品级的会话表示,然后设计会话-会话图并学习会话级的会话表示,最后递归利用不同级别会话兴趣生成正负样本对,通过对比学习机制增强会话兴趣区分性。与退出策略相比,所提模型保留了完整的会话信息,实现了真正的数据扩充。在两个基准数据集上进行了大量实验,结果表明,该算法的推荐性能远优于主流基线方法。
中图分类号:
卢敏, 原子婷.结合图对比学习的多图神经网络会话推荐方法[J] ●●●●。计算机科学, 2024, 51(5): 54-61. https://doi.org/10.11896/jsjkx.230300092
卢敏、袁子庭。基于图对比学习的多粒度神经网络会话推荐方法[J] ●●●●。计算机科学,2024,51(5):54-61。https://doi.org/10.11896/jsjkx.230300092