| 推荐系统 | 知识追踪 |
|---|---|
| 每个session构造一个有向图，边的权重归一化，先把所有session的图依次输入GGNN，然后就能得到所有节点的embedding表示 | |
| 然后用这些节点来表示global preference和local interests，将他们组合就得到每个session的embedding | 将长期表现（可以是学习能力）和当前表现（最近表现）组合在一起当做当前session的embedding |
| 使用了利用门控信息来进行更新的Gated Graph Neural Network(GGNN) | 打算使用GCN |
| 没有使用用户embedding，而是生成session embedding | |
| 通过GGNN生成node vector，所有图中的节点的embedding都是一样的，节点表示物品 | |
| 会话具有连续性 | 做题顺序没有连续性 |
| 把session graphs输入到GGNN | 把一段时间的做题情况输入图，生成这段时间图的embedding，前n-1个作为训练数据，第n个作为预测数据，用来训练 |
| 将每个session里前n-1个数据作为训练集，预测最后一个点击 |
node vector = node representation = node embedding
3.3 通过GGNN学习session里节点的node vector
更新节点过程：用到了门的概念
- 以前的基于会话的模型总是对用户建模，但是我们根据node vector，为每个session制造一个embedding。将长期爱好和当前会话的爱好组合形成embedding，作为当前session的embedding。
把所有的图输入GGNN，我们将获得节点的向量，取最后一个作为Sl，然后根据solf-attention，获得Sg，合并得到Sh。
网友评论