-
关键词: session, LSTM聚合(GGNN), 最后一个表session, local和全局
-
(整体流程可以抄, 更换内部组件. 就像: Global Context Enhanced Graph Neural Networks for Session-based Recommendation)
-
已经有item交互数据, 推断下一个是什么
-
session是匿名的, 并且数量有限
-
之前用RNN建模, 现在用GGNN(门控图神经网络)
-
贡献:
-
将不同的session建模成一个图
-
用图神经网络捕捉复杂的关系
-
没有用到user的表征, 使用session的embedding
-
-
第一步: 建模图
-
第二步: 用GGNN学习item的embedding
-
第三步: 用注意力机制学习session的embedding
-
(这里有个比较好奇的事情, 聚合embedding到底是怎么操作的, 应该和GAT相似,代码立刻安排...)
-
第四步: 用session的embedding和item的embedding的做交互, 产生推荐结果
-
第一步: 建模图: 根据所有session建成一个有向图
-
右下角: A: 出度入度拼接矩阵(分母总度数)
-
左侧: GGNN获得每个item的embedding: v
-
A:
-
local的embedding和global的embedding, 并且将二者结合
-
session的embedding和item的embedding做内积得到Z: 模型预测
-
softmax
-
损失函数: 交叉熵
-
数据集: 电子商务网站用户点击或者交互的数据(1/64, 1/4是数据集的规模)
-
评价指标: P:精准度, MRR:平均倒数排名
-
模型:
-
POP, S-POP使用当前频繁出现的前n个,
-
Item-KNN看和之前点击的哪个比较相似(cosin),
-
FPMC是马尔可夫预测的方法,
-
GRU4REC是RNN,
-
NARM是RNN引入注意力机制,
-
STAMP捕获用户当前的兴趣和点击时的兴趣并拼接起来做预测
-
-
消融实验:
- L: 只是用local
- global用平均聚合
- global用注意力集合
- local+ global的注意力
- :
