摘要:基于会话的推荐（SBR）是一项具有挑战性的任务，旨在基于匿名行为序列来推荐项目。几乎所有现有的SBR解决方案都仅基于当前会话来模拟用户的性能，而没有利用其他会话，这些会话可能包含与当前会话相关的项目转换和无关的项目转换。本文提出了一种称为“全局上下文增强图神经网络”（GCE-GNN）的新颖方法，该方法以更细微的方式利用所有会话上的项转换，以更好地推断当前会话的用户偏好。具体而言，GCE-GNN分别从会话图和全局图学习两个级别的项目嵌入：（i）会话图，通过在当前会话中对成对的项目转换进行建模来学习会话级别的项目嵌入。 ; （ii）全局图，它将通过对所有会话中的成对项转换建模来学习全局级项嵌入。在GCE GNN中，我们提出了一种新颖的全局级项目表示学习层，该层采用会话感知的关注机制将所有节点的邻居嵌入在全局图中递归地合并。我们还设计了一个会话级项目表示学习层，该层在会话图上使用GNN来学习当前会话中的会话级项目嵌入。此外，GCE-GNN通过柔和的关注机制在两个级别上汇总了学习到的项目表示。对三个基准数据集的实验表明，GCE-GNN始终优于最新方法。
1.引言
推荐系统在成功地通过向用户推荐有用的内容来解决信息过载问题方面发挥着关键作用。常规推荐方法（例如，协作过滤[11]）通常依赖于用户配置文件和长期历史互动的可用性，并且在许多最新的真实场景中（例如，像YouTube1和Tiktok2这样的移动流媒体）可能效果不佳，当此类信息不可用（例如，未登录的用户）或有限的可用信息（例如，短期历史交互）时。因此，基于会话的推荐最近引起了广泛的关注，该推荐基于给定的匿名行为序列按时间顺序预测下一个感兴趣的项目。
早期关于基于会话的推荐的大多数研究都分为两类，即基于相似性的[11]和基于链的[12]。前者在当前会话中严重依赖项目的共现信息，而忽略了顺序行为模式。稍后将推断用户对所有项目进行选择的所有可能顺序，这对于项目数量很大的实际应用可能会遇到难以解决的计算问题。最近，针对该任务提出了许多基于深度学习的方法，这些方法利用成对项目转移信息对给定会话的用户偏好进行建模[2、4、6、18、19、21]。
这些方法取得了令人鼓舞的结果，但是它们仍然面临以下问题。首先，它们中的一些通过使用递归神经网络（RNN）（例如，GRU4REC [2]，NARM [6]）和内存网络（例如，按时间顺序）依次提取会话的成对项转换信息来推断匿名用户的偏好。 ，邮票[8]）。但是，一个会话可能包含多个用户选择甚至噪声，因此它们可能不足以生成所有正确的依赖项，而后者却无法对嵌入中的项目过渡模式的复杂固有顺序进行建模。其次，其他的基于图神经网络[7、24、25]，具有自注意机制，例如SR-GNN [24]。他们根据会话在每个项目和最后一个项目之间的成对项目转换来计算相对重要性，从而学习整个会话的表示方式，并且性能很大程度上取决于最后一个项目与当前用户的偏好之间的相关性会议。
此外，几乎所有以前的研究仅基于当前会话来建模用户偏好，而忽略了其他会话中有用的项目转换模式。据我们所知，CSRM [19]是唯一结合了来自最新