推荐系统----SR-GNN: Session-based Recommendation with Graph Neural Networks

• 关键词: session, LSTM聚合(GGNN), 最后一个表session, local和全局

• (整体流程可以抄, 更换内部组件. 就像: Global Context Enhanced Graph Neural Networks for Session-based Recommendation)

• 已经有item交互数据, 推断下一个是什么

• session是匿名的, 并且数量有限

• 之前用RNN建模, 现在用GGNN(门控图神经网络)

• 贡献:

  • 将不同的session建模成一个图

  • 用图神经网络捕捉复杂的关系

  • 没有用到user的表征, 使用session的embedding

• 第一步: 建模图

• 第二步: 用GGNN学习item的embedding

• 第三步: 用注意力机制学习session的embedding

• (这里有个比较好奇的事情, 聚合embedding到底是怎么操作的, 应该和GAT相似,代码立刻安排...)

• 第四步: 用session的embedding和item的embedding的做交互, 产生推荐结果

• 第一步: 建模图: 根据所有session建成一个有向图

• 右下角:  A: 出度入度拼接矩阵(分母总度数)

• 左侧: GGNN获得每个item的embedding: v 

• A:

• local的embedding和global的embedding, 并且将二者结合

• session的embedding和item的embedding做内积得到Z: 模型预测

• softmax

• 损失函数: 交叉熵

• 数据集: 电子商务网站用户点击或者交互的数据(1/64, 1/4是数据集的规模)

• 评价指标: P:精准度,   MRR:平均倒数排名

• 模型:

  • POP, S-POP使用当前频繁出现的前n个,

  • Item-KNN看和之前点击的哪个比较相似(cosin),

  • FPMC是马尔可夫预测的方法,

  • GRU4REC是RNN,

  • NARM是RNN引入注意力机制,

  • STAMP捕获用户当前的兴趣和点击时的兴趣并拼接起来做预测

• 消融实验:

  • ​​​​​​​L: 只是用local
  • global用平均聚合
  • global用注意力集合
  • local+ global的注意力

• :