基于用户组图的异构图神经网络会话推荐研究.pdf

摘要

基于会话的推荐系统旨在根据用户在当前会话中与之交互的项目，预测用户

的下一个交互。会话推荐在用户交互场景中至关重要，由于会话是匿名的，不涉

及用户的具体信息，因此能够很好地保护用户的隐私。会话推荐往往涉及到用户

行为等多种实体之间的复杂关系。图神经网络能够适用于不同类型的会话推荐场

景，并具有很强的泛化能力。目前，基于图神经网络的模型已经被广泛应用，并

证明比其他深度学习的方法更有效。然而，这些基于会话的模型主要关注历史会

话中用户-项目和项目-项目的之间的关系，而忽略了相似用户共享的项目序列信

息，因为在实际应用中，大多数自然顺序关系仅在一组用户中有效，而不是在所

有用户中有效。这会导致这些模型无法捕捉到不同用户共享的项目的顺序的普遍

偏好。针对上述问题，本文在基于全局异构图神经网络的基础上，提出了一种新

的基于用户组图的方法来充分利用相似用户共享的信息，即用户项目组图。本文

主要的贡献如下：

1.本文提出了一种用户组图辅助的模型UGG-GCN，不仅考虑了用户-项目和

项目-项目关系，还考虑了用户-用户关系，利用类似用户共享的自然顺序关系对

用户进行分组。该模型首先根据与用户相关的历史项目序列生成用户组，然后使

用用户组偏好识别模块来捕捉和平衡项目组偏好和用户-项目偏好之间的关系。

通过实验得出当相似用户被有效分组时，本文所提出的模型优于其他个性化会话

推荐模型。

2.本文提出了GEN-UGG会话推荐模型，利用用户组图之间用户数量信息

熵来平衡不同用户组之间用户数量。在用户组生成过程中，并未给予分组任何监

督信号导致生成的用户组数量之间不均衡，最终会影响模型推荐性能。本文还考

虑了用户组图之间项目的差异，引入用户组内项目的相似性以及项目在不同用户

组之间的关联性作为用户组生成的监督信号来指导用户组的生成。

3.本文将提出的方法在三个公开的数据集进行了实验，实验结果表明本文提

出的模型相比于当前大多数会话推荐模型在性能上有着显著的优势。并且通过图

表还详细分析了本文所提出模型在不同数据集上的适用性。

关键词：推荐系统；基于会话的推荐；图神经网络；用户组图

I

ABSTRACT

Thesession-basedrecommendationsystemaimstopredictthenextuser

interactionbasedontheitemstheuserinteractswithinthecurrentsession.Since

sessionsareanonymousanddonotinvolvespecificuserinformation,theyeffectively

protectuserprivacy.Userscanengageinsessionswithoutworryingaboutpersonal

informationbeingleakedormisused.Sessionrecommendationofteninvolvescomplex

relationshipsamongvariousentitiessuchasuserbehavior.Graphneuralnetworksare

capableofflexiblyhandlingvarioustypesofgraph-structureddata,includingdirected,

undirected,andweightedgraphs.Thisflexibilityenablesgraphneuralnetworkstobe

applicabletodifferenttypesofsessionrecommendationscenariosandpossessstrong

generalizationcapabilities.Currently,modelsbasedongraphneuralnetwork