基于全局特征增强的会话推荐算法

基于会话的推荐系统的研究通常侧重于在使用浅层神经网络的同时通过聚集节点的K跳邻域来对当前会话用户偏好建模,但是此类方法面临着过平滑的问题。为此,提出了一种基于全局特征增强的会话推荐算法(GFE-SR)。首先,该方法在会话图中利用图神经网络和注意力机制获得会话级项目表示。其次,在全局图的特征传播阶段给每个节点的最近邻域按比例赋予权重来限制过平滑问题,通过全局图进行特征表征融合,获得特征增强的全局级项目表示。然后,通过注意力机制聚合两种项目表示对当前会话的用户偏好进行建模,最终输出候选项目的预测概率。在3个基准数据集上的实验表明,该方法的性能优于现有的最佳方法如GCE-GNN等,最高可提升5.2%,证明了该方法的有效性。

基于复杂结构信息的图神经网络序列推荐算法

图结构因其在序列推荐场景中的自然适应性而备受关注,而现有的基于图神经网络的会话序列推荐算法虽然能够利用图结构信息达到较好的推荐效果,但是没有考虑用户在会话序列中的重复点击行为和项目之间的复杂转换,且未很好地利用图中复杂的结构信息,导致推荐的效果受到一定程度的限制。提出有向与无向信息同注意力相融合的图神经网络序列推荐算法,并基于推荐算法给出项目隐含向量建模算法,结合会话序列图中的有向结构信息与无向结构信息,通过考虑用户的重复点击行为和引入注意力机制建立会话中点击项目的复杂转换模型。图节点在特征传播的过程中平衡邻居节点信息与自身信息的比例,以更准确地预测推荐过程中生成的会话向量。在Diginetica、Yoochoose 1/64、Yoochoose 1/43个数据集上的实验结果表明,与SR-GNN、TAGNN算法相比,该算法精度最高提升4.34%,能够更好地预测用户在会话中的下一次点击精度。