SR-GNN, 图网络召回

简述

SR-GNN，论文见[1]，作者中科院（大学）。
将用户的session序列构建成有向图,通过考虑item之间的转移关系, 更好的学习item emb及用户的向量表达.

related work

一些流行的GNN演变.
word2vec, DeepWalk, LINE, node2vec.

结构及解读

网络结构

nodes connection

$A_s$ is defined as the concatenation of two adjacency matrices. directed edges have normalized weight.

gated recurrent units

这里就是直接挪用GRU，我挑几个该论文中的毛病：

• r 才是 reset gate，文中一处错写为update gate；
• 式(1)中，三个因式分别是 {12n, nd,d*2d}，不能够正确地相乘啊
• 式中的标识 i 与 时间step t 应该是一回事吧？？
  有空看看源码探究吧。

session emb

$$hybrid\_session\_emb=linear([s_{local};s_{global}])$$, where $s_{global}=soft\_attention(\cdot )$，所谓 soft_attention 就是attention_score 没有经过 softmax 处理。

experiment

• baselines. GRU4REC, STAMP, etc.
• dataset. YooChoose from RecSys Chanllenge 2015.
• P@20=71.36, evaluation metric , identical to recall@20.

讨论

Q: local or global graph ?
该文章将每个session作为一个单独的graph，称之为 local graph，只包含了当前session的信息。文中对比使用 global graph 效果下降，归因为 一个 session 中的点击是可以重复的，涉及到权重计算，global 的话会削弱权重，不能突出session中的喜好强度。

代码实现

见参考[2]，其 tf 实现的代码可读性差，粗看下来并未同论文逻辑保持一致。差评！

参考

1. paper,AAAI,2019, Session-based Recommendation with Graph Neural Networks
2. corresponding official code,SR-GNN