其他分享
首页 > 其他分享> > RetaGNN: 面向整体序列推荐的关系型时态注意图神经网络 WWW2021

RetaGNN: 面向整体序列推荐的关系型时态注意图神经网络 WWW2021

作者:互联网

ABSTRACT

顺序推荐(SR)是根据用户当前访问的项目为用户准确地推荐项目列表。在新用户不断进入现实世界的同时,一项关键任务是拥有感应式SR,它可以产生用户和物品的嵌入而无需重新培训。考虑到用户与项目之间的交互可能极为稀疏,另一个关键任务是拥有可转移的SR,该SR可以将来自具有丰富数据的一个域的知识转移到另一个域。在这项工作中,我们的目的是提供同时适用于常规,电感和可转移设置的整体SR。我们为整体SR提出了一个新颖的基于深度学习的模型,即关系时间关注图神经网络(RetaGNN)。 RetaGNN的主要思想是三个方面。首先,为了具有归纳和可传递的功能,我们在从用户项对中提取的局部子图上训练相关的关注GNN,其中可学习的权重矩阵位于用户,项和属性之间的各种关系上,而不是节点或边上。(所有的权重矩阵来控制用户偏好,用户的表示是通用的)第二,用户偏好的长期和短期时间模式是通过提出的顺序自我注意机制进行编码的。第三,设计了一个关系感知的正则化术语,以更好地训练RetaGNN。在MovieLens,Instagram和Book-Crossing数据集上进行的实验表明,RetaGNN在常规,归纳和可转移的设置下可以胜过最新技术。得出的注意力权重还带来了模型的可解释性。

介绍

尽管一些现有的RS方法已经能够进行归纳学习,但最新的顺序推荐模型(例如HGN [14],HAM [17]和MA-GNN [15])仍然具有传导性。 据我们所知,归纳SR的任务尚未正式探讨。 这项工作旨在发明一种有效的归纳SR模型。 另外,由于尚未考虑两个因素,我们认为可以进一步改善现有的SR模型。** 第一个是在给定序列的长短期内对高阶用户项交互进行建模。 交互图中用户多跳协作邻居的顺序演变可以揭示用户偏好如何随时间变化**。 ** 第二个是顺序项目的派生表示中的时间模式。 下一项目的采用会受到具有不同权重贡献的最新项目的影响。**

在本文中,我们提出了一种新颖的基于深度学习的模型,即关系时间注意力图神经网络(RetaGNN),用于顺序推荐。在一个具有固定的用户,项目及其交互集的特定域中,给定一系列与用户最近交互的项目,我们的主要目标是三方面的,如图1所示。第一个是常规SR:准确推荐接下来的项目。第二种是归纳SR:向未包含在现有用户集中的新用户推荐下一项。第三个是可转让的SR:为给定用户的商品序列推荐下一个商品,其中用户和商品都属于另一个域。就是说,我们的目标是要有一个整体的SR模型,该模型可以在常规,感应和可转移设置下预测下一个项目。同时处理三个SR设置具有挑战性,因为模型的可学习参数不应附加到特定节点(对于归纳)或特定数据集(对于可传递)。就是说,该模型需要捕获所见面之间共享的常识

在这里插入图片描述
为了实现上述SR目标,提出的RetaGNN具有四个主要思想。首先,RetaGNN建立在单个用户项目对的本地图模式上,其中图涉及用户,项目和属性之间的关系。我们从给定的现有顺序用户-项目交互中提取由给定的用户-项目对包围的局部子图,并学习将此类子图映射到他们的交互得分。其次,为了同时具有归纳和可转移的功能,我们提出了一个关系关注型GNN(RA-GNN)层,以在顺序上下文中对高阶用户项交互进行建模。 RA-GNN通过训练图中各种关系而不是节点(例如,GAT [22]和NGCF [27])上的可学习权重矩阵,在RetaGNN中执行消息传递和邻域聚合机制。基于这两个思想,只要我们能够获得关于给定用户项对的局部子图,无论是否看到用户,都可以应用关系权重以归纳和可转移的方式生成用户和项目嵌入设置。第三,我们提出了一个顺序自我注意(SSA)层,以根据RA-GNN生成的顺序项嵌入对时间模式进行编码。最后,我们在损失函数中设计一个关系感知的正则化项,以便可以更好地训练与RetaGNN中的关系相关的可学习参数

我们提出了一种新的关系时态注意力图神经网络(RetaGNN)模型。其主要思想是学习从给定用户-项目对的局部图到其交互得分的映射,并训练可学习的关系权重矩阵。

在这里插入图片描述

问题定义

在这里插入图片描述
item有不同的属性(attribute)

在这里插入图片描述
预测在t时间出现的item

)归纳顺序推荐(ISR):给定每个用户

标签:关系,时态,嵌入,项目,WWW2021,用户,RetaGNN,GNN,节点
来源: https://blog.csdn.net/qq_39091546/article/details/114284003