SDM2021 | 序列感知的异质图神经协同过滤

随着互联网的蓬勃发展，一种流行的推荐场景在用户获取信息时发挥了重要作用，其中隐含在用户历史行为下的潜在异质协同信号和时序信息对于更好地推断用户下次愿意与哪个商品进行交互非常重要。传统的基于异质信息网络的推荐方法或时序推荐方法，要么只考虑交互过程中的异质协同信号，要么仅基于各自的商品交互序列来建模用户嵌入，前者难以捕捉用户的动态偏好，而后者则面临常见的数据稀疏性问题。在本文中，我们提出了一种新的时序感知的异质图神经协同过滤模型，简称SHCF，该模型通过融合考虑高阶异质协同信号和时序信息来解决上述问题。