前言
- 发表在SIGIR2020上的基于GNN进行序列推荐的研究
-
从全局上下文角度对原有的GNN工作进行改进
基于会话的推荐(Session-based，SBR)是一项具有挑战性的任务，其目的是基于匿名行为序列推荐物品。
现有的 SBR 模型只基于当前会话进行用户偏好建模，而没有利用其他会话，这些会话可能包含与当前会话相关和不相关的物品转换(item transition)。本文提出了一种全局上下文增强图形神经网络(GCE-GNN)，以更精细的方式(in a more subtle way)利用所有会话中的物品转换，更好地推断出用户对当前会话的偏好。
具体来说，GCE-GNN 分别从会话图(session graph)和全局图(global graph)中学习了两个层次的物品嵌入: (i)会话图，即通过在当前会话中建模成对物品转换来学习会话级物品嵌入; (ii)全局图，即通过在所有会话中建模成对物品转换来学习全局级物品嵌入。
引言
传统的推荐算法(CF/CB)依赖用户属性和长期历史交互，在现实场景中可能表现不好，当用户没有登录或者只有短期交互数据，信息有限时。
session-based rec基于给定的匿名行为序列预测下一个感兴趣的物品。早期研究主要是分为两类：基于相似度的(similarity-based)和基于马尔可夫链的(chain-based)：
similarity-based： 严重会话/序列中物品的共现信息，忽略了序列行为模型(sequential patterns)。
chain-based：推导所有可能的序列，计算复杂度高。
现在基于DL的方法使用pair-wise item-transition 信息来建模用户偏好，这些方法存在一些问题：
1、大部分方法基于RNN，按照时序有序地提取会话中pairwise item-transition信息。然而，一个会话可能包含多个用户选择甚至噪声，因此这些方法可能不足以生成所有正确的依赖关系，这些依赖关系的缺点是无法用嵌入建模转换模式的复杂内在顺序。
2.基于自我注意机制的GNN方法，如 SR-GNN ，通过根据session的每个物品与最后一个物品之间的pairwise item-transition来计算相对重要性，学习整个session的表征，而效果在很大程度上取决于最后一个物品与当前session用户偏好的相关性。
-
这些方法忽略了来自其他session中有用的item-transition模型，只基于当前会话进行建模。 CRSM模型(2019)从最近m个会话中整合协同信息来增强当前会话的表征，但是同时将其他序列中无关的信息也引入到当前session，可能影响模型效果(deteriorate)。
如上图所示，使用其他会话中的物品转换信息可能辅助当前session的推荐；但同时也可能引入噪声，即无关的物品。
Preliminaries
1.问题定义
给定物品集合
对于每个匿名会话，包含交互序列(按时序排列)：
，给定当前session S，推荐最可能被当前会话用户点积的TopN个物品
session graph & global graph
session graph: 学习当前session内成对近邻物品，每个session构成一个有向图，同时包含一个自环
global graph:建模全局的item transition information,通过整合所有session中的成对的item transition来构建大图，将所有物品对链接起来，打破了序列独立性假设。：
Neighbor Set： 对于当前session中的物品，近邻集合即在一定步长内交互过的物品：
参数 ε 更倾向于建立短距离的物品转换的模型，因为如果超出范围，它在捕获全局级物品转换信息方面是没有帮助的(甚至噪声，例如，无关依赖)
global-level item transition可以定义为：
根据近邻集合构建得到的全局图，即为global graph，对于图中的边为了计算效率，对于每个节点，仅保留权重TopN的边，构成了一个无向图，在测试阶段，该图结构不会动态更新。
模型方法
1. Global-level Item Representation Learning
对global graph进行构图处理，消息构成，对当前节点的近邻集合节点进行消息计算：
其中注意力分值计算如下：
，在对当前节点进行消息计算时考虑当前节点所在的session信息，计算近邻节点和当前session的亲和力(affinity)，跟当前session兴趣更匹配的节点重要度更高：
然后将当前节点表征和近邻节点表征进行拼接聚合
多层迭代如下：
通过这种方式，一个物品的 k 阶表示是它的初始表示和它的邻居的混合，最高可达 k 跳。这样可以将更有效的消息合并到当前会话的表示中。
2. Session-level Item Representation Learning
对于session graph，同样使用注意力机制来学习不同节点间的权重
作者在session-graph中定义了不同的边类型：self-loop, in ,out,in-out,共四类不同的关系：
并给不同的关系设置对应的embedding
，通过GAT的形式进行节点处理，这样得到的邻接矩阵是非对称的。
3. Session Representation Learning
对于每个节点，通过如下sum pooling得到：
与以往主要集中在最后一物品的工作不同，本文提出了一个更全面的策略，以了解每一部分对预测的贡献。在本文的方法中，会话表示是基于会话中涉及的所有项构建的。不同项目对下一个预测的贡献是不同的。
直观地说，会话中稍后点击的物品更能代表用户的当前首选项，这表明它们对于推荐的重要性更大。(考虑位置信息)
此外，在当前会话中找到用户的主要目的和过滤噪声也很重要。因此，我们结合反向位置信息和会话信息，以做出更好的预测。
将位置信息和节点信息融合，并通过和会话信息进行attention计算得到最终的结果（并非以往与最后一个物品的表征进行注意力计算的做法）
完整模型图如下：
实验结果
模型详细设计实验
小结
本文与之前的SR-GNN等工作相比，考虑了全局信息的影响，同时分析了加入其他session信息的利弊，利用近邻节点进行图构建，并在具体的建模时通过合理的设计来最大化利用相关物品，降低噪声物品的影响，总体工作还是比较有趣的。
网友评论