推荐系统论文 Handling Information Loss of Graph Neural Networks for Session-based Recommendation

简介

这是一篇关于图的推荐论文，论文的创新点非常简单，但是非常精准。解决的办法也并不复杂，我个人非常喜欢这种用简单的方法解决一个比较关键的问题的论文。也是我师兄的一个分享，这里我增加一些我个人的理解，在这里做一个分享。

Motivation

这一部分其实我认为是这篇论文的精华。

从上图可以看出，对于长序列，我们将序列转换为上面一张图。然后在GNN的过程中，一般GNN的层数是3层左右，那么也就是说只能传递3跳的信息。这样对于一个长序列来说，就会有很多的order信息被丢失了。

所以作者提出了两种解决方法：

• S2MG:Session to EOP (edge-order preserving) Multigraph

这里对于边进行了特殊的处理，根据出现的先后顺序对其进行编号，如果有多次的出现就会有多条边被创建。

• S2MG:Session to Shortcut Graph
  
  第二个方法我认为更简单，同时更容易理解。

1. 增加了自环
2. 增加了shortcut边

非常好的解决了order信息的丢失。

Model

这里作者设计了两个不一样的aggregation方式，但是我认为大同小异。

• LESSR: Lossless Edge-order preserving aggregation and Shortcut graph attention for Session-based Recommendation
  

1. LESSR-EOPA (Edge-Order-Preserving Aggregation) Layer
   
   x表示节点embedding
   h表示gru hidden state

2. LESSR-SGAT (Shortcut Graph Attention) Layer
   

• LESSR-Session Embedding
  这里有多个level的表示：

1. 
   belta就是一个attention机制的使用。

3.

将graph 和 local level进行一个concat得到session embedding

• Prediction layer
  这里比较简单：
  

Experiments

实验的结果是很好的，非常能说明问题。

大家共勉～