结合动态多阶门控GNN和超图卷积的自监督会话推荐.pdfVIP

计算机系统应用

ISSN

1003-3254,

CODEN

CSAOBNE-mail:

csa@

2025,34(4):90−103

[doi:

10.15888/ki.csa.009804]

[CSTR:

32024.14.csa.009804]

©中国科学院软件研究所版权所有.Tel:

+86-10

结合动态多阶门控GNN和超图卷积的自监督

会话推荐①

沈学利,

赵国阳

(辽宁工程技术大学

软件学院,

葫芦岛

125105)

通信作者:

赵国阳,

E-mail:

1205978100@

摘要:

针对现有基于图神经网络的会话推荐方法中缺乏对高阶特征的提取和利用以及数据稀疏性的问题,

提出一

种结合动态多阶门控图神经网络

(GGNN)和超图卷积的自监督会话推荐模型(SDMHC-GNN).

首先,

利用不同的图

结构将会话序列建模为3个不同的视图:

会话视图、超图视图和关系视图,

会话视图使用动态多阶门控图神经网

络、稀疏自注意力和稀疏全局注意力机制生成局部顺序会话表示,

超图视图使用超图卷积和软注意力机制生成高

阶会话表示,

关系视图使用图卷积和稀疏交叉注意力机制生成会话关系表示;

其次,

通过自监督学习对不同的会话

表示之间的互特征最大化;

最后,

通过意向邻居协作模块对当前会话表示进行过滤和增强.

在Diginetica和Tmall两个

公开数据集上进行多次实验,

并与先进基线模型比较,

实验结果表明所提出模型的性能优于基线模型,

证明了该模

型的有效性.

关键词:

会话推荐;

动态多阶门控图神经网络;

超图卷积;

稀疏交叉注意力机制;

自监督学习

引用格式:

沈学利,赵国阳.结合动态多阶门控GNN和超图卷积的自监督会话推荐.计算机系统应用,2025,34(4):90–103.

/

1003-3254/9804.html

Self-supervisedSessionRecommendationIncorporatingDynamicMulti-levelGatedGNNand

HypergraphConvolution

SHEN

Xue-Li,

ZHAO

Guo-Yang

(Software

College,

Liaoning

Technical

University,

Huludao

125105,

China)

Abstract:

Considering

the

lack

of

extraction

and

utilization

of

higher-order

features

and

data

sparsity

in

current

graph

neural

network-based

session

recommendation

methods,

a

self-supervised

session

recommendation

incorporating

dynamic

multi-level

gated

graph

neural

network

(GGNN)

and

hypergraph

convolution

(SDMHC-GNN)

is

proposed.

Firstly,

different

graph

structures

are

used

to

model

the

session

sequence

into

three

different

views:

session

view,

hypergraph

view,

and

relational

view.

The

session

view

uses

dynamic

multi-level

gated

graph

neural

networks,

sparse

self-attention,

and

sparse

global

attention

mechanisms

to

generate

local

sequential

session

representations.

The

hypergraph

view

uses

hypergraph

convolution

and

soft