面向会话推荐的时间图注意力网络结题报告.docVIP

面向会话推荐的时间图注意力网络结题报告

一、研究背景与问题提出

在互联网技术高速发展的当下，个性化推荐系统已经成为各大平台提升用户体验、增加用户粘性以及实现商业价值的核心技术之一。随着移动互联网和社交媒体的普及，用户的交互行为越来越呈现出会话化的特征。用户不再是孤立地进行单次商品浏览或购买，而是在一系列连续的会话中完成复杂的决策过程。例如，用户可能在一个会话中浏览多个不同品类的商品，然后在后续的会话中根据之前的浏览记录进行比较、筛选，最终完成购买。这种会话式的交互行为为推荐系统带来了新的机遇和挑战。

传统的推荐算法，如协同过滤、基于内容的推荐等，主要侧重于分析用户的长期历史行为数据，挖掘用户的长期兴趣偏好。然而，这些算法往往忽略了用户在会话内的短期动态兴趣变化，难以准确捕捉用户在当前会话中的即时需求。此外，用户的会话行为还具有时间依赖性和序列相关性，不同会话之间的时间间隔、会话内行为的先后顺序等因素都会影响用户的兴趣演变。因此，如何有效地建模用户的会话行为，捕捉用户的短期动态兴趣，并结合时间因素进行准确的推荐，成为当前推荐系统领域的研究热点之一。

近年来，图神经网络（GNN）在推荐系统中的应用取得了显著的成果。图神经网络能够将用户和物品建模为图中的节点，将用户与物品之间的交互关系建模为图中的边，从而有效地挖掘用户和物品之间的潜在关联。然而，现有的基于图神经网络的推荐算法大多没有充分