【WWW2021】RetaGNN:面向整体序列推荐的关系时态注意力图神经网络

序列推荐(SR)是根据用户当前访问的物品向其准确推荐物品列表。当新用户不断地进入现实世界时，一个关键的任务是要有归纳SR，它可以在不需要再训练的情况下产生用户和物品的嵌入。鉴于用户-项目交互可能非常稀疏，另一个关键任务是拥有可迁移的SR，它可以将从一个具有丰富数据的领域派生的知识迁移到另一个领域。在这项工作中，我们的目标是呈现整体SR，同时适应传统、归纳和可迁移的设置。我们提出了一种新的基于深度学习的模型——关系时间注意力图神经网络(RetaGNN)，用于整体SR。首先，为了具有归纳和可迁移的能力，我们在从用户-物品对中提取的局部子图上训练一个关注关系的GNN，其中可学习权矩阵是关于用户、物品和属性之间的各种关系，而不是节点或边。第二，长期和短期用户偏好的时间模式被提出的序列自注意机制编码。第三，为了更好地训练RetaGNN，设计了一个关系感知的正则化项。在MovieLens、Instagram和Book-Crossing数据集上进行的实验表明，RetaGNN可以在常规、归纳和可迁移的设置下优于最先进的方法。推导出的注意力权重也为模型带来了可解释性。

https://www.zhuanzhi.ai/paper/7fd9c00d1088c2875ac0567445b5d604