【KDD2022】多行为超图增强Transformer的序列推荐

学习动态用户偏好已经成为许多在线平台(如视频分享网站、电子商务系统)进行序列推荐的一个越来越重要的组成部分。以前的工作已经做出了许多努力，基于各种架构，如循环神经网络和自注意力机制，在用户交互序列上建模物品-物品的转换。最近出现的图神经网络也可以作为有用的骨干模型来捕获序列推荐场景中的条目依赖关系。尽管它们很有效，但现有的方法一直专注于具有单一交互类型的商品序列表示，因此局限于捕捉用户和商品之间的动态异构关系结构(例如，页面视图、添加到收藏、购买)。为了应对这一挑战，我们设计了一个多行为超图增强的Transformer框架(MBHT)，以捕获短期和长期的跨类型行为依赖关系。具体地说，一个多尺度的Transformer配备了低级别的自注意力，以便从细粒度和粗粒度级别联合编码行为感知的序列模式。此外，我们将全局多行为依赖关系纳入超图神经体系结构，以自定义的方式捕获分层的长期项目相关性。实验结果表明，在不同的设置下，我们的MBHT优于各种最先进的推荐解决方案。进一步的消融研究验证了我们模型设计的有效性和新的MBHT框架的好处。我们的实现代码发布在:https://github.com/yuh-yang/MBHT-KDD22。

https://www.zhuanzhi.ai/paper/77cee497cf208d47ffe4c9e53ec3e9e7