在这部作品中,CA-GGNN的目标是使用GGNN集成会话序列和相关上下文信息提高推荐的准确性。一个会话序列 年代 = v 1 , C 我 v 1 t 1 , C B v 1 t 1 , v 2 , C 我 v 2 t 2 , C B v 2 t 2 , … , v n , C 我 v n t n , C B v n t n v 我 ∈ V , 1 ≤ 我 ≤ n 安排从小型到大型时间戳,在哪里 V = v 1 , v 2 , … , v 米 所有项目参与所有会话; C 我 v 我 t 是输入代表场景上下文信息,例如用户的当前决定时间和地点; C B v 我 t 是间隔上下文,它代表的百分比之间的时间间隔时间戳 t k 目前的决定,时间戳 t k + 1 下一个决定在整个会话的浏览时间。推荐的任务 y ^ = y ^ 1 , y ^ 2 , … , y ^ 米 − 1 , y ^ 米 从 年代 作为输入。 y ^ 可以被视为一个排序列表。 y ^ j 1 ≤ j ≤ 米 对应于推荐的一个项目得分 j 在这个会话。顶部K列表中的项目将推荐的候选人。

对会议的建议,首先,本文基于会话序列获得的信息两个方面。一方面,本研究使用信息所代表的谈话序列图结构。另一方面,本研究提取输入上下文和间隔的背景下,分别利用外部环境因素相关的会话和会话之间的时间间隔信息项。其次,依次处理每个会话图,和上面的三种信息输入扩展GGNN获得嵌入向量表示基于会话中的项目节点图。然后,嵌入式向量在每个会话表示为全球偏好和当前的利益。最后,对于每个会话,模型预测的概率将成为下一个点击每一项项目。CA-GGNN如图的总体框架 1。

图 1(一个)显示数据的预处理。中的数据集分为三个部分:输入上下文 c 我 包括外部环境、间隔上下文 c b 组成的比例相邻项目之间的时间间隔在会话的总长度,和会话会话序列图。图 1(b)显示了本文的扩展标准GGNN单位, X t 单击项目在时间吗 t 在会话序列和中 C 我 t 和 C B t 自适应输入矩阵和区间矩阵生成的输入上下文和区间上下文对应 X t 。GGNN循环结束后,嵌入向量 v 我 每个项目的节点可以获得。图 1(c)显示了建议的过程。本文使用柔软的注意机制集成用户首选项获得长期利益和使用会话序列中的最后一个项目作为用户的短期兴趣。的向量表示会话序列通过一个线性连接和使用建议的基础。

GGNN认为图的结构信息和每个节点的状态信息在每个时间节点向量的生成一个精确的表示。GGNN可以构造一个更可靠的比RNN会话表示。具体地说,学习更新函数的图像 G 节点矢量 v 我 ( 9下面的公式所示: (1) 一个 v 我 t = 一个 V : h v 1 t − 1 , … , h v n t − 1 T H + b , (2) r v 我 t = σ 一个 v 我 t W r + h v 我 t − 1 U r , (3) z v 我 t = σ 一个 v 我 t W z + h v 我 t − 1 U z , (4) h ˜ v 我 t = 双曲正切 一个 v 我 t W + r v 我 t ⊙ h v 我 t − 1 U , (5) h v 我 t = 1 − z v 我 t ⊙ h v 我 t − 1 + z v 我 t ⊙ h ˜ v 我 t , 在哪里 h v 我 t 代表了隐节点的矢量和 一个是基于会话的邻接矩阵图。公式( 1)显示的步骤在图中不同节点之间传输信息。公式( 2)( 5类似于格勒乌)信息传输方法,预测输出给定节点在每个时间步的结果 T然后更新每个节点的隐藏状态。会话中的每一项的隐式向量表示可以通过重复更新,直到收敛 z v 我 t 和 r v 我 t 代表更新重置门和门 σ ⋅ 通常被选为年代函数( 10)所示 (6) σ x = 经验值 1 1 + e − x 。

虽然GGNN取得了令人满意的成果在会话建模中,它仍然具有一定的局限性,因为它忽略了各种上下文信息会话的辅助作用的建议。为了解决这些问题,本文试图将上下文信息合并到GGNN-based会话建模。

从上面的分析,我们可以看到,公式( 3)- ( 5)不能满足融合上下文信息的需要。因此,本文扩展了现有的GGNN周期元素。本文给出的输入上下文和区间上下文纳入常规格勒乌细胞。这使得会议推荐的过程不仅依赖会话序列信息还在会话序列和相关的上下文信息。特定的扩展方法如下。

正如你所看到的部分 3.2公式( 4)代表隐藏状态的物品在每次会话序列,包括当前节点项目代表 一个 v 我 t 和之前的隐藏状态节点 h v 我 t − 1 。 W 和 U 来自学习历史数据,用于模拟递归一个项目在一个连续的信号表示隐藏状态。因此,本文简化了的隐藏状态的表示项目在时间 t 来 (7) h ˜ v 我 t = 双曲正切 一个 v 我 t W + h v 我 t − 1 U 。

在这种情况下,我们考虑将自适应输入矩阵和过渡矩阵提出了进入 W 和 U 公式( 6)。这不仅使GNN增强相邻项之间的相关性也增加了上下文在更新迭代序列的预测。使用GGNN融合输入和间隔上下文可以消除或降低的负面影响忽视相邻项的相关性。因此,每一项的输出节点的隐藏状态在GGNN时间 t 可以表示为 (8) h ˜ v 我 t = 双曲正切 一个 v 我 t W C 我 v 我 t + h v 我 t − 1 U C T v 我 t , 在哪里 一个 v 我 是嵌入式向量与项目相关联的 我 ; W C 我 是输入上下文权重矩阵的时间吗 t 代表与当前输入环境上下文相关的项目,如时间,地点,假期,和偏好;和 U C T 是一个特定的间隔上下文重量矩阵表示两个相邻项目之间的时间间隔在一个会话。然而,我们不能学习上下文特定的区间矩阵为每个可能的连续区间值。因此,本文替换信息两个项目之间的时间间隔的总会话持续时间的比例项的浏览时间。

我们认为,当用户浏览商品,他们花更多的时间比项目更有趣的项目不感兴趣,或者错过了分。因此,本研究取代两个项目之间的时间间隔信息与每个项目的浏览时间的百分比在整个会话。这可以显示用户的当前点击率的相关性项目用户当前的利益。例如,用户浏览商品 v 1 , v 2 , v 3 45,360年代,60年代在会话s1和240年代,300年代和360年代在会话 年代 2 。显然,用户对项目的兴趣 v 3 会话更大 年代 1 比在会话 年代 2 。因此,本文使用标准分数( 21] z v 我 代表项目的相对位置浏览会话时间信息,使用年代函数( 10规范化标准分数,如所示 (9) z v 我 = t v 我 − t ¯ 年代 , v T , (10) b v 我 = 1 1 + e − z v 我 。

因此,公式( 7)可以写成 (11) h ˜ v 我 t = 双曲正切 一个 v 我 t W C 我 v 我 t + h v 我 t − 1 U C B v 我 t , 在哪里 U C B 代表一个特定的间隔上下文矩阵,用于表示项目的比例 v 我 在其会话。

此外,公式( 3)代表更新门 z v 我 t 周期的单位,主要用于确定历史信息的比例和当前信息传播。本文认为更新门不仅依赖于当前的输入和之前的信息隐藏状态,还必须考虑当前上下文。因此,摘要重写更新门 (12) z v 我 t = σ 一个 v 我 t W z + h v 我 t − 1 U z + C 我 , B t V Z , 在哪里 C 我 , B t 代表项目的相关背景 t 和 V Z 是相应的权重矩阵。

本文运用会话向量的表示方法 年代 吴等人提出的。 10]。首先,以最后一个点击项在会话中为用户当前的偏好 年代 年代 和前面的点击项长期偏好 年代 l 。然后,柔软的注意机制是用来测量每个项目的优先级与当前的偏好。它是表示为 (13) α 我 = 问 T σ W 1 V n + W 2 V 我 + c , (14) 年代 l = ∑ 我 = 1 n α 我 V 我 , (15) 年代 = W 3 年代 年代 ; 年代 l , 在哪里 α 我 措施项目优先级的关注因素, V 我 是嵌入式向量中每个项目的会议,和参数 问 ∈ ℝ d , W 1 和 W 2 是用来调整嵌入向量的物品的重量。

模型的训练后,我们可以得到当前项的嵌入式向量 V 我 和会话的嵌入式向量 年代 。对于每个候选人的最终推荐的概率,点产品是使用第一,然后是年代函数( 10)用于获得输出向量 y ^ 。 y ^ 表示为 (16) y ^ 我 = 软 马克斯 年代 T V 我 , 在哪里 y ^ 我 ∈ y ^ 显示项的概率 V 我 将是下一个点击一个项目在当前会话。

然后,叉损失函数( 22)是用来测量最终的预测结果,如图所示 (17) ℒ y ^ = − ∑ 我 = 1 米 y 我 日志 y ^ 我 + 1 − y 我 日志 1 − y ^ 我 , 在哪里 y 是一个炎热的编码向量代表的基本物品的真正价值。

最后,CA-GGNN模型是使用时间反向传播算法训练BPTT [ 6]。

这个实验进行了两个真实数据集和丰富的上下文信息。Yoochoose数据集是一个公共数据集从RecSys挑战2015包含在6个月内用户行为的记录。有9249729项和9249729用户点击记录。Diginetica数据集,从CIKM杯2016年,包含43097项总计204771用户点击记录。

为了确保实验的公平性,本文与会话过滤掉所有项目1和事件的长度小于5次在两种数据集,指李的做法等。 23和刘et al。 9]。这是因为数据一个简短的会话长度或更少的物品浏览不是宝贵的使用。此外,该数据集也存在分歧。Yoochoose数据集,本文使用了最后一天的数据作为测试集和其他数据作为训练集,Diginetica数据集,最后七天作为测试集作为训练集,其余。Yoochoose数据集太大的训练和测试模型。因此,数据集分为1/64和1/4的数据集使用常用的分割方法。数据集的统计信息如表所示 1。

基于上下文信息在这两个数据集,本文提取了间隔上下文环境背景和实现CA-GGNN模型提出了。首先,本文提取不同的上下文中使用时间戳信息在两个数据集。Yoochoose数据集,本文提取三种类型的输入上下文信息,共有210个输入上下文值,包括一周7天,一天六个时期,和用户的单击上下文的类型(如喜好,单击条目的类型)。Diginetica数据集,提取两个输入上下文:一周七天,六期一个月。因此,有42 Diginetica输入上下文值的数据集。其次,本文以间隔上下文的比率的浏览时间序列中的每一项总会话长度。为了促进间隔上下文的建模,我们正常区间上下文。我们将间隔上下文在两个数据集划分为10个类型,可有效地防止数据稀疏的问题。因此,有10个区间上下文值这两个数据集。

P@K [ 24](精密)是用来测量的准确性预测结构在会话中推荐系统,显示比例最高的K列表中的项目的推荐结果正确的样品。

MRR@K [ 25)(意思是倒数排名)意味着平均排名倒数。该方法基于P@K方法和添加物品位置的影响。列表中项的位置越高的推荐结果,值越小,反之亦然。该值为0时,项目不是第一批K推荐项目。

在这篇文章中, K= 20是用来评估模型,因为在大多数的实际场景会话推荐系统,大多数用户只关注出现在第一页的建议。

评估该模型的有效性,我们从不同的角度研究CA-GGNN的有效性和比较模型与以下八个代表模型。

流行和年代的流行 7):他们是基于流行度预测方法中最常出现的商品推荐一个数据集。

CA GGNN应承担的模型的验证效果Yoochoose1/64, Yoochoose1/4 Diginetica数据集,本文显示CA GGNN应承担的比较实验结果和其他模型。

从表 2会话,可以看出,传统的推荐方法,BPR-MF, Item-KNN,和FPMC流行的基准性能显著提升。这表明会话序列的序列信息推荐的场景会话中具有更大的影响。尽管如此,年代的流行执行比BPR-MF和更稳定,这表明会议推荐的上下文信息的重要性。在所有的比较方法,该方法基于深度学习的最佳性能,反映了深层学习技术的优越性在捕捉用户的利益。然而,所有指标,结果CA-GGNN模型提出了执行最好的三个数据集。P@20的改进范围是1.31% - -71.6%,和相对改进MRR范围大约是1.42% - -32.61%。这些改进演示模型输入和间隔上下文的需要。通过深入学习技术,我们可以更好地掌握复杂的和隐藏的连接用户的利益,而会话的上下文信息不仅有助于有效应对嘈杂的会话数据的模型也增强了模型的稳定性和鲁棒性,从而进一步的提高推荐的准确性。

随着模型研究的发展,GNN-based会话建议已收到越来越多的关注。因此,我们考虑是否CA-GGNN模型有更好的推荐性能比其他最新GNN-based会议推荐模型。我们比较了CA-GGNN模型的最新GNN-based会话“TAGNN”和“DGTN推荐模型。“实验结果如表所示 3。

从表 3的实验结果,我们可以看到CA-GGNN高于TAGNN DGTN。TAGNN和DGTN模型考虑获取项目的复杂性关系在一个会话使用GNN和模型转换用户或项目之间的关系。然而,他们都忽略上下文信息的重要影响在会话中在推荐过程。通过分析,我们可以看到,上下文信息的重要因素之一,影响会议的建议。此外,CA-GNN模型显著提高了Yoochoose1/4和Diginetica数据集。这表明CA-GGNN模型可以获得更准确的推荐结果在许多推荐的场景。

总之,CA-GGNN模型提出了可以有效地模型上下文信息在会话中。相关的上下文信息融合后,CA-GGNN模型更稳定和精度进一步提高。此外,当数据量很大,模型改进的效果更加明显。这表明,有必要引入上下文信息会议推荐的过程。