GNN:Session-based Recommendation with Graph Neural Networks简介

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_35564813/article/details/88616124

Session-based Recommendation with Graph Neural Networks

摘要

作者提出SR-GNN,将session序列建模为图结构数据。在session图的基础上，GNN可以捕捉到items的复杂转换。每一个session利用注意力机制将整体偏好与当前偏好结合进行表示。

介绍

作者diss了

1. 基于马尔可夫链的工作非常依赖数据独立性的假设的。
2. 利用RNN的基于session 的推荐系统，NARM（global and local RNN recommender），STAMP（captures users’ general interests and current interests, by employing simple MLP networks and an attentive net）等缺少合适的用户表现就无法很好产生用户表征，忽视了items之间转换时的上下文。

同时指出GNN能很好地生成items嵌入向量，以此来说明提出的SR-GNN更好。

主要贡献：

• 将session序列建模成图结构数据，以使用GNN来提取item的嵌入向量
• 不依赖于用户的相关表征，使用session的嵌入层来进行推荐

主要流程：

方法

利用GNN进行item embedding：

$A_s$是邻接矩阵的出度与入度的联合矩阵。

将所有session graphs送进GNN后，我们进一步需要获取session 的embedding。

局部的embedding $s_l$只是简单地定义为最后一个点击的item $v_n$， $s_l=v_n$,这里可能有改进空间？

利用下式计算全局的session偏好：

混合的embedding形成：

将 $s_h$与对应 $v_i$相乘

，得到对应得分，送入softmax得到最后的概率。

损失函数为交叉熵的形式：

实验

Comparison with Baseline Methods：

Comparison with Variants of Connection Schemes：

Comparison with Different Session Embeddings：