基于异质图嵌入和会话交互的课程推荐模型

大规模在线教育平台所形成的网络具有数据量大、实体类型丰富、关系复杂等特性。一方面,在线教育正在被大力普及,而另一方面,在线课程却面临低使用率、低完成度及高辍学率的问题。个性化的课程推荐有利于提高学习者的学习积极性,其中,课程能否顺利合格完成是学习者在选课时所考虑的重要因素。鉴于此,提出一种基于学习完成度预测的个性化课程推荐模型。对学生的课程学习会话图进行建模,根据学生的课程学习顺序以及课程的完成情况,生成学生的学习状态表征;同时考虑在线学习环境因素对课程的影响,构建在线课程学习异质图,采用图神经网络生成异质图中课程节点的嵌入;然后通过交互机制融合学习状态表征和课程嵌入,预测学生下一门将学课程的完成度,根据完成度排序从而实现课程推荐。在CNPC、HMXPC和Scho1at3个大规模在线课程学习数据集上的实验结果表明,该模型能有效提升推荐的准确度,在归一化折损累计增益(NDCG)和平均倒数排名(MRR)2个指标上相较于基线模型最优结果均有显著提升,评估指标K值取5时,其NDCG@5指标在3个数据集上分别提升21.08%、17.73%和5.41%,MRR@5指标在3个数据集上分别提升25.66%、31.59%和26.96%。

基于局部-邻域图信息与注意力机制的会话推荐

针对基于匿名用户的会话推荐忽略了不同会话之间可能存在的协作信息,以及未考虑所预测的目标项与历史行为的相关性问题,提出一种基于局部-邻域图信息与注意力机制的会话推荐模型(SR-LNG-AM)。从当前会话和邻域会话构建的图结构中分别学习两种类型的项目转换信息,将其融合得到项目嵌入。使用软注意力机制生成全局嵌入,使用目标注意力机制针对不同的目标项自适应生成不同的目标嵌入。结合局部嵌入,进行预测。在两个真实数据集上与多个基线方法进行实验对比,实验指标均有提高,验证了该方法的有效性。

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。

结合图对比学习的多图神经网络会话推荐方法

会话推荐根据匿名用户短期内的交互数据预测下一个交互物品。针对会话中物品少、物品长尾分布等特性,现有基于图对比学习的会话推荐模型提出对会话内物品采用随机裁剪、扰动等方式构造正负样本。然而,上述随机退出策略进一步缩减较短会话中的可用物品,使得会话更加稀疏,引起会话兴趣学习偏差。为此,提出了结合图对比学习的多图神经网络会话推荐方法。其核心思想是:在物品局部图、物品全局图等上提取融入物品局部和全局的高阶邻域物品表示,并生成物品级的会话表示,然后设计会话-会话图并学习会话级的会话表示,最后递归利用不同级别会话兴趣生成正负样本对,通过对比学习机制增强会话兴趣区分性。与退出策略相比,所提模型保留了完整的会话信息,实现了真正的数据扩充。在两个基准数据集上进行了大量实验,结果表明,该算法的推荐性能远优于主流基线方法。

融合自监督的协同注意图学习会话推荐

基于图神经网络的会话推荐目的是利用给定的匿名交互序列预测用户下次将交互的潜在项目.为解决图神经网络方法中存在的过度平滑问题和现有的会话推荐忽略了数据稀疏性影响,以及因使用交叉熵而产生严重的过拟合问题.本文提出了一种融合自监督的协同注意图学习会话推荐模型(SI-CAGL).首先SI-CAGL在学习到会话中项目的准确表示,其次使用协同注意图学习与修改自注意力机制的方法进行自监督学习,最后使用修正边缘平滑函数与归一化相结合的方法进行预测.在两个真实数据集上进行多次实验,与先进基线模型相比,SI-CAGL在Diginetica上Recall@20和MRR@20至少提升了3.28%和3.38%,在Gowalla上Recall@20和MRR@20至少提升了2.88%和2.13%,推荐性能有明显提升.

基于霍克斯过程和图神经网络的会话推荐

针对传统会话推荐系统(Session-Based Recommendation System, SBRS)往往忽略了项目点击量之间的交互,以及遗漏了会话内项目之间的相对顺序的问题,本文提出了一种基于霍克斯过程和图神经网络(Hawkes Process and Graph Neural Network, HPGNN)的会话推荐方法。该方法提出了包含图神经位置感知层和图神经霍克斯层的双流结构,分别学习用户的长期和短期偏好。图神经位置感知层通过门控图神经网络(Gated Graph Neural Network, GGNN)来捕捉各个节点之间的交互关系,得到会话中每个项目的隐向量表示,并引入逐次递减的残差网络,有效地将之前的编码信息与当前网络融合,然后通过位置感知注意力网络来捕捉项目节点在会话中的位置信息,用于学习用户的长期偏好表示。图神经霍克斯层通过将霍克斯过程和GGNN相结合来捕捉连续时间的项目点击量之间的关系,用于更准确的表示用户的短期偏好。最后将两者进行线性组合,来更好地描述用户意图。实验结果表明,提出的HPGNN在Diginetica和Yoochoose1/64两个基准会话推荐数据集上的推荐性能均优于其他会话推荐模型。

融合全局信息的类别增强会话推荐方法

现有基于会话的推荐大多只针对当前会话项目之间的顺序依赖关系进行建模,不仅忽略了其他会话中存在与当前会话相关的项目转换,而且未考虑项目类别信息在推荐过程中的辅助作用。针对这一问题,提出一种融合全局信息的类别增强会话推荐方法(CEGI-SR),学习并融合全局会话的物品转换和当前会话的物品及类别表示,使用注意力机制将当前会话中物品位置信息和交互时间信息纳入物品嵌入,辅助提升推荐效果。在两个公共数据集上进行实验,结果表明,相较最优基准模型,CEGI-SR在Diginetica数据集上P@20和MRR@20分别提高了1.15%和1.29%,在Tmall上两个指标分别提高了2.43%和2.74%,验证了CEGI-SR的有效性。

循环神经网络和注意力增强的门控图神经网络会话推荐模型

现有大部分基于图神经网络的会话推荐系统都可较好捕捉商品在会话图中的近邻上下文关系,但少有重点关注时序关系的系统.然而,这两种关系都对电商场景下的精准推荐具有重要作用.为此,文中基于双向长短期记忆网络和门控图神经网络,提出循环神经网络和注意力增强的门控图神经网络会话推荐模型,旨在实现不同网络结构的优势互补,充分学习用户在当前会话中表现的兴趣偏好.具体地,文中模型采用并行化框架结构,分别学习电商场景下用户会话点击流中商品间的近邻上下文特征和时序关系,再分别使用注意力机制进行去噪处理,最后基于门控机制实现这两种特征间的自适应融合.在3个真实数据集上的实验表明文中模型的性能较优.文中模型代码见https://github.com/usernameAI/RAGGNN.

融合物品转换关系和时序信息的会话推荐算法

针对现有图神经网络会话推荐算法忽略了各类辅助信息,导致不能准确地建模会话序列的问题,提出了一种融合物品的转换关系和时序信息的会话推荐算法(RTSR)。首先利用图网络结构得到任意两个节点之间的最短路径序列,经过双向门控循环单元(GRU)将其编码为对应物品之间的转换关系,再结合自注意力机制从图的角度捕捉会话的全局依赖信息。同时设计了一种无损图编码方案来缓解会话图编码过程中信息损失的问题。该方案将会话序列中的时序信息进行合理的量化,并将其作为会话图中边的权重,再结合门控图神经网络获取会话的局部依赖信息。最后,线性组合全局依赖信息和局部依赖信息并结合反向位置信息,最终生成用户对物品的兴趣偏好,并给出推荐列表。在公共基准数据集Gowalla和Diginetica上与SR-GNN、GC-SAN、GCE-GNN等主流模型进行性能对比实验,结果表明RTSR在平均倒数排名方面分别至少提高了6.13%和1.58%,同时推荐精准度方面也有相应的提高。

融合热点与长短期兴趣的图神经网络课程推荐模型

近年来大规模在线开放课程(MOOCs)平台为用户提供了海量的学习资源,亟需一种有效的个性化课程推荐方法帮助用户解决信息过载问题。现有的课程推荐方法忽略了课程间的时序性且无法较好地捕获课程间的长距离依赖关系,同时面临用户学习兴趣表示和冷启动两个关键问题。基于此,提出一种融合热点与长短期兴趣的图神经网络课程推荐模型(GHLS4CR)。该模型设计无环时序图和无环快捷图两种会话图构建方法来缓解现有方法存在的时序信息丢失和不善于捕获长距离依赖的问题;将用户长短期兴趣进行图级表示,并与热门课程信息进行融合实现个性化推荐,同时缓解冷启动问题。通过在学堂在线(XuetangX)公开数据集MOOCCourse上的大量实验表明,GHLS4CR在个性化课程推荐领域优于FISSA和LESSR等主流推荐模型。与次好的LESSR模型相比,Recall@5提高了13.28%,MRR@5提高了15.50%。

基于图辅助学习的会话推荐

针对现有的自监督对比任务未能充分利用原始数据中的丰富语义以及缺乏通用性的问题,提出一种基于图辅助学习的会话推荐(SR-GAL)模型。首先,在图神经网络(GNN)的基础上引入具有表示一致性(RC)的编码通道,从原始数据中挖掘更有价值的自监督信号;其次,为了充分利用这些自监督信号,设计了与目标任务关系紧密的预测性辅助任务和约束性辅助任务;最后,开发了一个简单且与GNN模型无关的辅助学习框架,将两个辅助任务与推荐任务统一起来,从而提高GNN模型的推荐性能。与次优的对比模型CGSNet(Contrastive Graph Self-attention Network)相比,在Diginetica数据集上,所提模型的精确率P@20和平均倒数排名MRR@20提升了0.58%和1.61%;在Tmall数据集上,所提的模型的P@20和MRR@20分别提升了12.65%和8.41%,验证了该模型的有效性。在多个真实数据集上的实验结果表明,SR-GAL模型优于较先进的模型,并且具有良好的可扩展性和通用性。

联合对比学习的图神经网络会话推荐

基于会话的推荐(SBR)是一项具有挑战性的任务,其目的是根据匿名行为序列推荐项目。本文提出了一种新的方法,称为联合对比学习的图神经网络会话推荐(CLGNN),在图注意力机制的基础上,用对比学习辅助训练,以获得更好的推荐结果。具体来说,CLGNN首先在会话图上采用注意力机制学习项目嵌入,然后聚合会话内的项目生成会话嵌入,最后使用会话嵌入和候选项目嵌入计算分数生成推荐,同时使用对比学习优化项目嵌入空间。以几种常见的评价指标为依据,在真实的两个数据集上进行实验,结果表明本文模型推荐性能良好。

面向会话的需求感知注意图神经网络推荐模型

针对现有基于图的会话推荐方法忽略了反馈数据中由于用户行为不确定性引起的噪声影响,存在无法准确和有效地捕捉用户偏好的问题,提出一种面向会话的需求感知注意图神经网络推荐模型(DAAGNNSR)。将具有时序性的会话数据构建为图,通过引入图神经网络学习图上节点嵌入表示;将提取的项目特征使用需求感知聚合器线性聚合为用户潜在需求矩阵,以自动削弱噪声干扰,同时用低秩多头注意力网络将该矩阵与全部项目特征进行逐项兴趣交互生成需求增强的项目表征;联合独立位置编码进一步分析项目间顺序关联,并且将生成的独立位置嵌入与项目表征进行线性融合;经过预测层生成推荐列表。将所提模型在Diginetica、Tmall和Nowplaying三个公共数据集上进行训练和测试,实验结果表明,该模型的推荐精度在各指标上均优于其他基线模型,与基于图上下文自注意力机制模型(GCSAN)相比,Diginetica上NDCG@10提高了5.6%,Tmall上Recall@10提高了6.4%;与基于图神经网络的SRGNN相比,Tmall上Precision@10提高了5.0%,推荐性能显著提升。

基于对齐性和均匀性约束的图神经网络会话推荐方法

会话推荐(session-based recommendation,SBR)旨在匿名状态下通过用户的短期历史行为序列来预测下一个待点击的项目。为解决现有基于图神经网络(graph neural networks,GNNs)的会话推荐方法忽略会话中不同位置相同项目之间差异的问题,在图卷积获得项目表示后,进一步考虑该项目与相邻项目之间的相关性,生成邻域相关的项目表示。此外,鉴于对齐性和均匀性在对比学习中的起到的重要作用,还提出了一种适用于会话推荐的对齐性和均匀性损失方法,以约束生成的会话表示和项目表示。在3个公开数据集上的实验表明,文中提出的模型TAU-GNN的推荐性能优于对比的主流会话推荐模型。

基于超图卷积网络和目标多意图感知的会话推荐算法

当前先进的会话推荐算法主要通过图神经网络从全局和目标会话中挖掘项目的成对转换关系,并将目标会话压缩成固定的向量表示,忽略了项目间复杂的高阶信息和目标项目对用户偏好多样性的影响。为此提出了基于超图卷积网络和目标多意图感知的会话推荐算法HCN-TMP。通过学习会话表示来表达用户偏好,首先依据目标会话构建会话图,依据全局会话构建超图,通过意图解纠缠技术将原有反映用户耦合意图的项目嵌入表示转换为项目多因素嵌入表示,再经图注意力网络和超图卷积网络分别学习目标会话节点的会话级和全局级项目表示,并使用距离相关性损失函数增强多因素嵌入块间的独立性;然后嵌入目标会话中节点位置信息,加权每个节点的注意力权重,得到全局级和会话级会话表示;利用对比学习最大化两者互信息,经目标多意图感知,针对不同的目标项目自适应地学习目标会话中多意图的用户偏好,得到目标感知级会话表示,最后线性融合三个级别的会话表示得到最终的会话表示。在Tmall和Nowplaying两个公开数据集上进行大量实验,实验结果验证了HCN-TMP算法的有效性。

自监督混合图神经网络的会话推荐模型

基于会话的推荐旨在利用匿名会话预测用户行为。现有基于图神经网络(GNN)的会话推荐算法大多仅针对当前会话提取用户偏好,却忽略了来自其他会话的高阶多元关系从而影响推荐精度。此外,由于会话推荐所采用的短时交互序列包含的信息非常有限,使其更容易受到数据稀疏性的影响。针对上述问题,提出了自监督混合图神经网络会话推荐模型(SHGN)。该模型首先通过将原始数据构建为三个视图来描述会话与物品关系,然后通过多头图注意力网络捕获会话内部物品的低阶转换信息,提出了残差图卷积网络捕获物品和会话的高阶转换信息;最后融合自监督学习(SSL)作为辅助任务,通过最大化不同通道学习到的会话嵌入的互信息,对原始数据进行数据增强从而提升推荐性能。为了验证该方法的有效性,在Tmall、Diginetica、Nowplaying、Yoochoose四个基准数据集上与SR-GNN、GCE-GNN、DHCN等主流基线模型进行了对比实验,实验结果在P@20、MRR@20等性能指标上均取得了一定提升。

结合自对比图神经网络与双预测器的会话推荐模型

基于会话的推荐旨在利用短时匿名会话预测用户行为.现有结合图神经网络与对比学习的会话推荐模型大多采用联合优化交叉熵损失与对比学习损失的方法,但二者所起作用相似,同时需要构建大量复杂的正负样本,为模型带来负担.此外,简单的线性预测器不能较好地预测带有用户随机行为的数据.针对上述问题,文中提出结合自对比图神经网络与双预测器的会话推荐模型(Session-Based Recommendation Model with Self Contrastive Graph Neural Network and Dual Predictor,SCGNN).首先,使用双视图建模原始会话,采用改进的图神经网络学习物品嵌入与会话嵌入,并通过自对比学习优化物品表示.然后,提出用户行为感知因子,应对用户随机行为带来的影响.最后,采用决策森林预测器与线性预测器对物品进行预测,并提出软标签生成策略,通过协同过滤与当前会话类似的历史会话以辅助预测.在Tmall、Diginetica、Nowplaying数据集上的实验表明文中模型的有效性.

结合跳跃连接的多层图注意力网络会话推荐

基于会话的推荐旨在根据匿名用户的短期交互数据来预测用户下一次交互项目.现有图神经网络会话推荐模型大多在信息传播过程中平等对待所有邻居节点,而没有区分他们对于中心节点的重要性,从而给模型训练引入噪声.此外,随着图神经网络层数的增加,过度平滑问题会随之产生.针对上述问题,本文提出结合跳跃连接的多层图注意力网络会话推荐模型(MGATSC).首先利用图注意力网络学习邻居节点对于中心节点的重要性,并堆叠多层网络以获取高阶邻居信息;然后为了缓解过度平滑问题,采用基于残差注意力机制的跳跃连接更新每层网络的节点嵌入,并通过平均池化得到最终节点嵌入.最后将反向位置嵌入融合到节点嵌入中,经过预测层生成推荐.在Tmall、Diginetica以及Retailrocket这3个公开数据集上的实验结果表明所提模型优于所有基线模型,验证了模型的有效性与合理性.

基于图神经网络的多层信息交互融合算法用于会话推荐

针对当前会话推荐中存在对于当前会话的项目转换信息挖掘不充分且极少利用其他会话信息的问题,提出一种基于图神经网络的多层信息交互融合算法用于会话推荐。基于当前会话,首先,对节点之间的连接关系设计不同的权重聚合邻域节点的信息,并挖掘当前会话中项目转换的显性信息;其次,通过基于堆叠的残差图注意力网络聚合邻域节点信息,挖掘当前会话中项目转换的隐性信息;最后,通过单门控图神经网络挖掘基于时间戳的会话中存在的序列依赖信息。基于其他会话,通过节点的一阶邻居将整个会话集联系起来,学习全局信息编码,进而融合4个层次的嵌入表示以获得更全面的项目转换信息,同时使用软注意力机制和反向位置嵌入信息对获得的项目转换信息进行更有效的融合。实验结果表明,在Diginetica数据集上,所提模型的精度P@20和平均倒数排名MRR@20较次优模型GCE-GNN(Global Context Enhanced Graph Neural Network)分别提升了0.79%和0.84%;在Tmall数据集上,所提模型的P@20和MRR@20较次优模型HyperS2Rec分别提升了8.23%和7.86%;在Nowplaying数据集上,所提模型的P@20和MRR@20较次优模型HyperS2Rec分别提升了1.33%和7.16%。

融合全局信息的多图神经网络会话推荐

基于会话的推荐旨在根据当前会话预测下一个最可能交互的物品.由于单个会话点击序列较短,仅使用会话本身的信息很难提供准确的推荐.因此,综合考虑其它会话之间的交互信息已成为一种趋势,为了提高推荐性能,本文提出一种融合全局信息的多图神经网络会话推荐模型(GIMGNN)来增强会话推荐的效果.该模型首先通过超图卷积神经网络和门控图神经网络从全局会话超图和局部会话图中学习两个级别的物品表示,然后通过注意力机制将反向位置信息融合到两种表示中,最后利用融合后的表示完成预测.在两个真实数据集Yoochoose和Diginetica上进行了一系列实验,实验结果表明,对比性能最优的基准模型,GIMGNN模型在Yoochoose上P@20和MRR@20至少提升了2.42%和4.01%,在Diginetica上P@20和MRR@20至少提升了6.56%和9.11%,验证了模型的有效性.