GNN:Session-based Recommendation with Graph Neural Networks简介
发布时间
阅读量：
阅读量
Session-based Recommendation with Graph Neural Networks
摘要
作者提出SR-GNN,将session序列建模为图结构数据。在session图的基础上，GNN可以捕捉到items的复杂转换。每一个session利用注意力机制将整体偏好与当前偏好结合进行表示。
介绍
作者diss了
- 基于马尔可夫链的工作非常依赖数据独立性的假设的。
- 利用RNN的基于session 的推荐系统，NARM（global and local RNN recommender），STAMP（captures users’ general interests and current interests, by employing simple MLP networks and an attentive net）等缺少合适的用户表现就无法很好产生用户表征，忽视了items之间转换时的上下文。
同时指出GNN能很好地生成items嵌入向量，以此来说明提出的SR-GNN更好。
主要贡献：
- 将session序列建模成图结构数据，以使用GNN来提取item的嵌入向量
- 不依赖于用户的相关表征，使用session的嵌入层来进行推荐
主要流程：
方法
利用GNN进行item embedding：
A_s是邻接矩阵的出度与入度的联合矩阵。
将所有session graphs送进GNN后，我们进一步需要获取session 的embedding。
局部的embedding s_l只是简单地定义为最后一个点击的item v_n，s_l=v_n,这里可能有改进空间？
利用下式计算全局的session偏好：
混合的embedding形成：
将s_h与对应v_i相乘
，得到对应得分，送入softmax得到最后的概率。
损失函数为交叉熵的形式：
实验
Comparison with Baseline Methods：
Comparison with Variants of Connection Schemes：
Comparison with Different Session Embeddings：
可以参考我的github来看看源代码，如有错误，欢迎交流。
全部评论 (0)
还没有任何评论哟~