结合图对比学习的多图神经网络会话推荐方法

doi:10.11896/jsjkx.230300092

计算机科学››2024,第51卷››问题（5）: 54-61.数字对象标识：10.11896/jsjkx.230300092

• 数据库&大数据&数据科学 • 上一篇下一篇

结合图对比学习的多图神经网络会话推荐方法

卢敏, 原子婷

1中国民航大学计算机科学与技术学院天津 300300
2智慧机场理论与系统民航局重点实验室天津 300300

收稿日期:2023-03-11 修回日期:2023-11-13 出版日期:2024-05-15 发布日期:2024-05-08
通讯作者:原子婷(3138194302@qq.com)
作者简介:(mlu@cauc.edu.cn)
基金资助:
中央高校基本科研业务费专项基金(3122021090)

基于图对比学习的多粒度神经网络会话推荐方法

卢敏、袁子庭

1中国民航大学计算机科学与技术学院，天津300300
中国民航局智能机场理论与系统重点实验室，天津300300

收到：2023-03-11 修订过的：2023-11-13 在线：2024-05-15 出版：2024-05-08
关于作者：卢敏，1985年出生，博士，中国基金会成员（编号：23698S）。他的主要研究兴趣包括网络挖掘和信息检索。
袁子廷，1996年生，研究生。她的主要研究兴趣包括推荐系统和对比学习。
支持单位：
中央高校基本科研业务费专项资金（3122021090）。

摘要/摘要

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。

关键词: 会话推荐, 图对比学习, 图神经网络, 会话兴趣, 正负样本

摘要：会话建议基于短时间内的匿名用户交互数据预测下一个交互项。会话具有项目少、项目分布长等特点。现有的基于图形对比学习的会话推荐模型通过随机裁剪和扰动会话中的项目等方式构建正负样本。然而，上述随机退出策略进一步缩小了较短会话中的可用项目。这使得会话更加稀疏，并导致会话兴趣学习偏差。为此，提出了一种基于图对比学习的多图神经网络的基于会话的推荐方法。其核心思想是：该模型提取项目局部图和项目全局图上的项目表示，并结合项目的局部和全局高阶邻域信息。基于此，该模型生成项目级会话表示。然后，在会话会话图上学习会话级会话表示。最后，该模型使用不同级别的会话兴趣递归生成正负样本对。对比学习机制增强了会话兴趣的辨别性。与退出策略相比，该模型保留了完整的会话信息，实现了真正的数据扩展。在两个基准数据集上的大量实验表明，该算法的推荐性能远远优于主流基线方法。

关键词： 会议建议，图形对比学习，图形神经网络，课程兴趣，阳性和阴性样品

中图分类号:

第三百九十一页

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

参考文献

[1] 王S，曹力，王毅，等.基于会话的推荐系统研究[J]。ACM计算调查，2021,54（7）：1-38。
[2] 乔斯，周伟，温杰，等.基于会话的有效推荐的多视角增强表现[J]。基于知识的系统，2023263（12）：110284。
[3] HIDASI B，KARATZOGLOU A，BALTRUNAS L，等.基于样本的递归神经网络推荐[J].arXiv:1511.069392015。
[4] 吴斯，唐毅，朱毅，等.基于会话的图形神经网络推荐[C]//美国人工智能学会人工智能会议论文集。加利福尼亚州帕洛阿尔托：AAAI，2019,33（1）：346-353。
[5] JAISWAL A，BABU A R，ZADEH M Z，等.对抗性自主学习研究[J]。科技，2020,9（1）：2-23。
[6] 朱永清，徐永中，于峰，等.基于自适应增强的图形对比学习[C]//2021年网络会议论文集.纽约：ACM，2021:2069-2800。
[7] KOREN Y，BELL R，VOLINSKY C.推荐系统的矩阵分解技术[J]。计算机，2009,42（8）：30-37。
[8] RENDLE S，FREUDENTHALER C，SCHMIDT-THIEME L.下一个银行建议的个性化马尔可夫链分解[C]//第19届万维网上国际会议论文集.2010:811-820。
[9] 李杰，任平，陈泽，等.基于神经注意的会话再评价[C]//2017年ACM信息与知识管理会议记录.2017:1419-1428。
[10] 王明，任平，梅林，等.基于会话的并行存储模块协同推荐方法[C]//第42届国际ACM SIGIR会议论文集。ACM，2019年9月345-354日。
[11] 徐川，赵鹏，刘毅，等.基于会话推荐的图形情境化自我注意网络[C]//第28届国际人工智能联合会议论文集。中国人民澳门，IJCAI.2019,19:3940-3946。
[12] 邱荣华，李俊杰，黄忠，等.基于图神经网络的会话推荐中项目顺序的再思考[C]//第28届ACM国际信息与知识管理会议论文集。纽约：ACM，2019:579-588。
[13] CHEN J F，ZHU G H，HOU H J，et al.AutoGSR：基于图的会话建议的神经体系结构搜索[C]//第45届国际ACM SIGIR信息检索研究与开发会议论文集。马德里：西班牙，2022:1694-1704。
[14] 杨立群，罗立海，辛立峰，等。DAGNN：基于会话推荐的需求软件图神经网络[J].arXiv:2105.14428v12022。
[15] 何凯，范赫，吴勇，等.无监督视觉表征学习的动量对比[C]//IEEE/CVF计算机视觉与模式识别会议论文集.2020:9729-9738。
[16] DEVLIN J，CHANG M W，LEE K，等.伯特：语言理解深度双向变换器的预训练[J].arXiv:1810.048052018。
[17] 周凯、王华、赵伟X等^三-rec：基于相互信息最大化的顺序推荐的自我监督学习[C]//第29届ACM信息与知识管理国际会议论文集。纽约：ACM，2020:1893-1902。
[18] 谢霞，孙芳，刘振英，等.序贯推荐的对比学习[J].arXiv:2010.143952020。
[19] 夏X，尹海忠，于建林，等.基于会话的推荐自监督超图卷积网络[C]//AAAI人工智能会议论文集。加利福尼亚州帕洛阿尔托：AAAI，2021:4503-4511。
[20] 夏隆华，黄C，徐毅，等.超图对比协同过滤[C]//第45届国际ACM SIGIR信息检索研究与开发会议论文集。马德里：疼痛，2022:70-79。
[21]PHUONG T M，THANH T C，BACH N X.将基于用户和基于会话的建议与递归神经网络相结合[C]//神经信息处理国际会议。纽约：Springer，Cham，2018:487-498。
[22]SARWAR B，KARYPIS G，KONSTAN J，等.第十届万维网国际会议基于项的协同过滤推荐算法[C]//过程。纽约：ACM，2001:285-295。
[23]LI J，REN P，CHEN Z等。基于神经注意会话的再表彰[C]//2017年美国计算机学会信息与知识管理会议论文集。纽约：ACM，2017:1419-1428。
[24]刘强，曾毅夫，莫克西R，等.STAMP:基于会话的建议的短期记忆优先模型[C]//第24届ACM SIGKDD知识发现与数据挖掘国际会议论文集。纽约：ACM，2018:1831-1839。
[25]李亚斯，程振英，刘峰，等.基于会话的脱纠缠图神经网络推荐[J]。IEEE知识与数据工程传输，2022,35（8）：1-13。

韵律学

已查看

全文

摘要

引用

共享

讨论

结合图对比学习的多图神经网络会话推荐方法

基于图对比学习的多粒度神经网络会话推荐方法

PDF（个人电脑）

摘要/摘要

引用本文

使用本文

参考文献

相关文章0

韵律学

本文评价

推荐阅读0