13.TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation

一、前言

目前已经有很多方法通过将会话建模为序列或图来完成对会话的嵌入，进而对 next-item 进行预测。这些方法将会话压缩为一个固定的表示向量，而不考虑要预测的目标项。之前的大多数方法的出发点就是通过对会话进行嵌入，期望能够捕获到用户意图信息完成对未来可能产生交互物品的预测。

本文的作者认为由于目标物品的多样性和用户的兴趣，固定的向量会限制推荐模型的表示能力。因此在本文中提出了一种新的目标注意图神经网络( TAGNN )模型用于基于会话的推荐。在TAGNN中，目标感知注意自适应地激活了用户对不同目标物品的不同兴趣。学习到的用户意图表示向量随目标物品的不同而变化，大大提高了模型的表达能力。此外，TAGNN利用图神经网络的力量来捕捉会话中的物品关系。

本文的创新点如下：

• TAGNN 将会话建模成会话图来捕获会话中物品的复杂关系，之后利用图神经网络的深度学习方法计算物品嵌入。
• 为了适应用户在会话中不断变化的意图，提出了一种针对于目标物品的注意力网络模型，所提出的目标注意模块能够揭示特定目标物品下历史动作的相关性，进一步改善了会话表示。

论文链接：https://arxiv.org/abs/2005.02844
github：https://github.com/CRIPAC-DIG/TAGNN

二、Introduction

这篇论文在SR-GNN的基础上，沿用了门控图神经网络（Gated Graph Neural Networks，GGNN）模型，并加入了对预测目标敏感的embedding表示，下面进行介绍。

三、TAGNN模型架构

3.1 模型总体架构

3.2 Problem Statement and Constructing Session Graphs

3.3 Learning Item Embeddings

3.4 Constructing Target-Aware Embeddings

以前的工作只使用会话内的物品表示来捕获用户的兴趣。在 TAGNN 中获得了每个物品的嵌入后，开始构建目标物品嵌入，自适应地考虑与目标物品相关的历史行为的相关性。在这里将目标物品定义为所有要预测的候选物品。通常，用户给出的推荐物品的操作只匹配部分兴趣。为了模拟这一过程，作者设计了一个新的目标注意机制来计算与每个目标物品有关的会话中所有项目的软注意分数。

这里是本文的亮点，实际上就是针对每一个目标候选Vs,sn+1进行注意力系数的计算，从而得到不同的目标候选时session内的每个物品对目标的重要性，从而能够得到不同的session embedding表示。

3.5 Generating Session Embeddings

至此已经得到了会话中物品的嵌入表示和对于每一个会话中用户对于不同目标物品的兴趣嵌入，之后进一步使用会话 s ss 中涉及的节点表示生成用户在当前会话 s ss 中显示的短期和长期偏好。

3.5 Session embedding

由此，我们可以看到模型的弊端：
模型无法胜任大型数据集，随着数据集中节点个数的增加,Starget,St都在线性的进行增加，从而占据较大空间。

3.6 Making Recommendation

四、实验结果