【SIGIR2021】图神经网络序列推荐

序列推荐的目的是利用用户的历史行为来预测他们的下一次互动。现有的工作还没有解决序列推荐的两个主要挑战。首先，在丰富的历史序列中，用户行为往往是隐式的、有噪声的偏好信号，不能充分反映用户的实际偏好。此外，用户的动态偏好往往会随着时间的推移而迅速变化，因此很难在其历史序列中捕获用户模式。在本研究中，我们提出一种称为SURGE的图神经网络模型(即序列推荐图神经网络)来解决这两个问题。具体来说，SURGE通过基于度量学习将松散的项目序列重构为紧密的项目兴趣图，将不同类型的长期用户行为偏好集成到图中的簇中。通过在兴趣图中形成密集的集群，这有助于明确区分用户的核心兴趣。然后，我们在构建的图上执行集群感知和查询感知的图卷积传播和图池化。它从嘈杂的用户行为序列中动态融合并提取用户当前激活的核心兴趣。我们在公共和专有的工业数据集上进行了广泛的实验。实验结果表明，与现有方法相比，我们提出的方法有显著的性能提高。对序列长度的进一步研究表明，该方法能够有效地对较长的行为序列进行建模。

https://www.zhuanzhi.ai/paper/f38fd2a93f7755f804cf37f333aca1d8