基于全局增强图神经网络的会话推荐方法

为解决现有会话推荐方法对其它会话中项目转换信息考虑较少的问题,提出一种基于全局增强图神经网络的会话推荐方法。位置感知全局图利用相对位置信息区分不同类型的邻居,对相邻项目转换建模,训练全局级项目嵌入,使用注意力机制从当前会话中捕获转换信息,训练会话级项目嵌入;分别从两种类型的项目嵌入中生成会话间嵌入和会话内嵌入;使用对比学习技术增强两个会话嵌入的鲁棒性。在3个数据集上的实验验证了该方法的有效性。

融合项目影响力的图神经网络会话推荐模型

针对现有的会话推荐模型难以显式地表示项目对推荐结果的影响的问题,提出一种融合项目影响力的图神经网络会话推荐模型(SR-II)。首先,提出一种新的边权重计算方法,将计算结果作为图结构中转移关系的影响力权重,并用图神经网络(GNN)的影响力图门控层提取该图的特征;其次,提出改进的捷径图连接有关联的项目,有效捕获远程依赖,丰富图结构所能表达的信息,并通过注意力机制的捷径图注意力层提取该图的特征;最后,通过结合上述两层,构建推荐模型。在Diginetica和Gowalla数据集上的实验结果中,SR-II的HR@20最高达到53.12%,MRR@20最高达到25.79%。在Diginetica数据集上,相较于同一表征空间下基于训练模型的会话推荐(CORE-trm),SR-II在HR@20上提升了1.10%,在MRR@20上提升了1.21%。在Gowalla数据集上,相较于基于会话的自注意网络推荐(SR-SAN),SR-II在HR@20上提升了1.73%;相较于基于无损边缘保留聚合和捷径图注意力的推荐(LESSR)模型,SR-II在MRR@20上提升了1.14%。实验结果表明SR-II的推荐效果优于对比模型,具有更高的推荐精度。

基于图模型和注意力模型的会话推荐方法

为解决基于循环神经网络(RNN)会话推荐方法的兴趣偏好表示不全面、不准确问题,提出基于图模型和注意力模型的会话推荐(SR‑GM‑AM)方法。首先,图模型利用全局图和会话图分别获取邻域信息和会话信息,并且利用图神经网络(GNN)提取项目图特征,项目图特征经过全局项目表示层和会话项目表示层得到全局级嵌入和会话级嵌入,两种级别嵌入结合生成图嵌入;然后,注意力模型使用软注意力进行图嵌入和反向位置嵌入融合,目标注意力激活目标项目相关性,注意力模型通过线性转换生成会话嵌入;最后,SR‑GM‑AM经过预测层,输出下次点击的N项推荐列表。在两个真实的公共电子商务数据集Yoochoose和Diginetica上对比了SR‑GM‑AM方法与基于无损边缘保留聚合和快捷图注意力的推荐(LESSR)方法,结果显示,SR‑GM‑AM方法的P@20最高达到了72.41%,MRR@20最高达到了35.34%,验证了SR‑GM‑AM的有效性。

基于图神经网络和时间注意力的会话序列推荐

为解决基于循环神经网络及其改进的方法在处理会话序列数据时只考虑序列行为,无法从有限的点击中获得准确的会话向量表示的问题,提出一种基于图神经网络和时间注意力的会话序列推荐算法。结合门控图神经网络和项目浏览时间信息,有效建模会话中所有点击项目之间的复杂转换,更充分利用用户浏览信息,使会话向量表示的计算更准确、区分度更高。实验结果表明,该方法能够提高推荐结果的准确性,更为有效地预测用户的下一次点击。

基于混合图神经网络的个性化POI推荐方法研究

随着基于位置的社交网络的快速发展,POI(Point of Interest)推荐已成为推荐领域的研究热点,然而已有的工作未能充分挖掘用户的POI交互偏好以及POI转移偏好,影响了POI推荐效果.提出一种基于混合图神经网络的个性化POI推荐方法.首先构建用户社交网络图,利用图注意力网络(Graph Attention Networks,GAT)学习含有社交关系的用户特征;其次,构建用户与POI的标号交互二部图,基于标号二部图神经网络(Signed Bipartite Graph Neural Networks,SBGNN)学习含有用户POI交互偏好的用户特征与POI特征;构建POI有向转移图,基于会话图神经网络(SessionBased Recommendation with Graph Neural Networks,SRGNN)学习含有用户POI转移偏好的POI特征;之后,融合含有社交关系的用户特征与含有POI交互偏好信息的用户特征得到最终的用户特征表示,融合含有用户POI交互偏好的POI特征与含有用户POI转移偏好的POI特征,得到最终的POI特征表示;最后,将用户特征表示与POI特征表示做乘积操作,通过Sigmoid函数得到用户对每个POI的预测评分,并以此向用户推荐Top-K POI序列.基于三个公共数据集(Gowalla,Foursquare和Yelp)开展了大量的实验,结果表明,与七种基线模型的推荐效果相比,提出的方法的准确率和召回率分别平均提升19.95%和1.35%.

面向强化当前兴趣的图神经网络推荐算法研究

在基于会话的推荐中,与传统序列建模相比,将会话序列建模为图结构在该领域表现得更为出色。但是,现有的研究方法仅利用图结构来挖掘项目之间转换特性,以此捕获用户当前兴趣的能力有限。本文提出一种面向强化当前兴趣的图神经网络推荐算法,通过引入位置嵌入,并与图神经网络相结合,从而互补顺序感知模型和图形感知模型的优势。会话序列被建模为图结构,并取原始序列的最后一次点击,通过多头注意力机制计算其对图节点信息的注意力权重,以更加准确地获取用户当前兴趣的表示。同时,在2个真实的数据集上进行验证实验,结果表明本文提出的方法实现了所有方法的最佳性能,特别是在Diginetica数据集上,所有评价指标都提升了7%以上,MRR@10指标甚至提升了9.52%,证明本文所提方法对基于会话推荐的正确性和有效性。

一种基于ExLF日志文件的用户会话识别启发式算法

在详细介绍ExLF日志文件格式的基础上,定义了会话表;阐述了用户会话识别图的概念;给出了生成此会话识别图的一种启发式算法。最后,用一个例子验证了算法的有效性。

On preferred and dispreferred second turns in interaction

Conversation analysis （CA） is an integral part of the study of language in communication, in which preference organization is an important topic for pragmatic research. This paper makes a study of preferred and dispreferred second turns in naturally occurring interactions to show structurally expected or unexpected responses from the second parts of the adjacent pairs. The study is based on the analysis of examples of people＇s actual conversations. It is concluded that in actual conversations, the speaker may make a preferred or dispreferred answer in either marked or unmarked form according to the speaker＇s intention and conversation circumstances.