前言

AAAI 2019，针对基于session的推荐任务，设计的基于GNN的推荐算法。
Session-based Recommendation with Graph Neural Networks - Yanqiao ZHU (sxkdz.github.io)

摘要

基于会话的推荐问题旨在基于匿名会话预测来用户操作。之前的方法将会话session建模为一个序列，并建模物品表示和用户表征以生成推荐。但它们不足以在session中获得准确的用户向量，忽略了物品的复杂转换(complex transition)。

为了获得准确的物品嵌入，并考虑到物品的复杂转换，我们提出了一种新的方法，即基于会话的图形神经网络推荐，SR-GNN。

session序列被建模为图结构化数据，基于session图，GNN 可以捕获复杂的物品关联，这是以往传统的序列方法难以揭示的。

引言

大多数现有的推荐系统都假定用户画像和历史行为会不断地被记录。但是，在许多服务中，用户标识可能是未知的，只有正在进行的会话期间(session)的用户行为历史记录可用。
因此，在一个会话中建立有限行为模型并生成相应的推荐是非常重要的(短序列推荐)。
传统的推荐方法依赖于足够的用户-项目交互，在这种情况下难以产生准确的结果。

由于工业价值比较高，session-based当前研究很多：基于马尔可夫链：基于前一个物品来预测下一个点击行为。这种方法具有比较强独立性假设，过去分量的独立组合限制了预测精度。

近年来主要研究关注于实用RNN来处理session序列，这些模型已经取得不错效果，但还存在一些局限：

会话中的用户行为比较少，这些方法难以学到高质量的用户表征。通常，通过RNN获取的隐向量被视为用户表示，基于这些表示生成推荐。然而，在基于会话的推荐系统中，会话大多是匿名的，且数量大，单个会话中的用户行为非常有限的。很难准确地建模每个会话中用户表征　。
其次，以往的研究表明，物品迁移模式(Item transitions)非常重要，可以作为基于会话的推荐中的局部因素使用，但这些方法总是模拟连续物品之间的单向转换，忽略上下文之间的转换，即会话中的其他物品(序列建模的思想)。因此，这些方法常常忽略了距离较远的物品之间的复杂关系。

项目代码：https://github.com/CRIPAC-DIG/SR-GNN.

模型方法

1. 基础定义

$V={v_1,v_2,...,v_m}$ 定义为物品集，匿名会话序列按照时序表示为 $s=[v_{s,1},v_{s,2},...,v_{s,n}]$ ，session-based推荐就是给定序列s，预测下一个点击 $v_{s,n+1}$

2. 构建图

由于不同的会话序列可能存在共现物品，构建物品图时定义两个节点的边为有权边，边的权重定义为：两个节点的共现次数 / 头节点的出度(outdegree)，是正则化的权重形式。

通过GNN来学习这样的会话图中的每个节点的嵌入 $\mathbb{v}\in \mathbb{R}^d$ ，对于一个会话而言，每个session利用会话内节点嵌入来构成会话表征。

3. 学习session graph中的节点嵌入

GNN能够自动提取会话图的特征，并考虑到节点之间存在丰富的连接，因此非常适合于基于会话的推荐。文中采用了Gated GNN的模型进行特征处理，将循环门控单元和基础的GNN结合起来，计算形式如下：对当前session的所在子图进行处理

最后图中节点的表征由前一个隐藏状态和当前后续状态组合而成。其中的近邻矩阵表示为

4. 生成会话嵌入

之前的方法总是假设每个会话都存在唯一的用户潜在表示(distinct latent representation)。相反，SR-GNN 方法并没有对会话表征做出任何假设，而是由该会话中涉及的节点直接表示。为了更好地预测用户的下一次点击，模型将当前会话的长期偏好和当前兴趣结合起来，并使用这种结合的嵌入作为最终的会话表示。

对于会话 $s=[v_{s,1},v_{s,2},...,v_{s,n}]$ ，当前兴趣可以取最后一个点击的物品， $s_l=\mathbf{v}_n$ 。
当前session的全局表征，即长期兴趣可以利用soft-attention来计算，即序列中每个节点与 $\mathbf{v}_n$ 做计算：