基于自监督学习的混合动态转换图神经网络的会话推荐.pdfVIP

摘要

推荐系统作为人工智能领域内最为广泛应用的技术之一，旨在为用户提供精准的

内容推荐，以应对信息时代所带来的信息过载挑战。然而，在为用户提供个性化推荐

服务时，传统方法通常依赖于用户的详细档案和过往的交互历史，这在日益增强的个

人隐私保护意识下，引发了关于个性化推荐与个人隐私保护之间的冲突。鉴于众多用

户可能不愿意透露或共享其身份及详细信息，会话推荐系统作为一种新兴的解决方案

应运而生。会话推荐系统（Session-BasedRecommenderSystem,SBRS），其核心思想

在于仅依据用户当前的行为序列来预测其下一步的行为，而无需构建复杂的用户画

像。这种方法巧妙地利用了用户在浏览或消费过程中产生的匿名会话数据，通过对这

些数据进行学习和分析，进而洞察并模拟用户的潜在偏好。SBRS的出现，不仅为解

决个性化推荐与个人隐私之间的冲突问题提供了有效路径，而且在实际应用中已展现

出广泛的适用性和良好的性能，被众多领域所采纳和应用。

鉴于RNN在处理复杂转换关系方面的局限性，以及会话数据所固有的图结构特

性，图神经网络（GNN）因其能够高效处理图结构数据并学习更复杂的项目转换关

系，已成为会话推荐算法研究的前沿。然而，当前基于图神经网络的会话推荐方法尚

存一些不足。具体来说，这些方法在学习会话子图中项目转移信息时，主要聚焦于图

中的直接相连节点，而对于图中未直接相连的节点间的潜在信息转换则鲜有涉及。此

外，多数现有方法过于关注目标会话本身，忽视了其他会话中可能存在的有价值信息，

从而导致对会话信息的利用不够全面，这在一定程度上影响了推荐的准确性和效果。

为了克服上述局限性，本文提出一种新颖的会话推荐方法，基于自监督学习的混合动

态转换图神经网络的会话推荐（HybridDynamicTransitionGraphNeuralNetwork，

HD-TGNN），以有效地对共现项目之间的不同转移关系进行建模。该方法旨在更加

全面地捕捉和利用会话数据中的图结构信息，特别是节点间的直接与间接连接，以及

不同会话间的潜在关联。通过这种方法，我们期望能够提升推荐的准确性和用户体验，

为会话推荐领域的研究和实践带来新的突破。此外，为了有效提升主图建模能力，本

研究额外开发了一种以主图为基础的共现图卷积网络。该网络旨在通过增强两个网络

在会话表示学习中的互信息最大化，融入自监督学习至训练过程中，以此作为改善会

话推荐效果的辅助任务。通过在三个标准数据集进行的众多实验，HD-TGNN算法的

效果超越了当前领先技术，从而证实了项目转移关系与自监督任务的有效性。

关键词：会话推荐，图神经网络，注意力机制，项目转移关系

I

Abstract

Asoneofthemostwidelyappliedtechnologiesinthefieldofartificialintelligence,

recommendationsystemsaimtoprovideuserswithprecisecontentrecommendationsto

addressthechallengeofinformationoverloadintheinformationage.However,while

providingpersonalizedrecommendationservicestousers,traditionalmethodstypically

relyondetaileduserprofilesandpastinteractionhistory.Thisrelianceraisesconcerns

abouttheconflictbetweenpersonalizedrecommendationsandpersonalprivacyprotection,

giventhegrowingawarenessofprivacyissues.Manyusersmaybereluctanttodiscloseor

sharetheiridentityanddetailedinformation.Inresponse,session-basedrecom