标签：顺序 Neural Graph Dynamic 用户 动态图 序列 动态 交互

一个月前刚出的论文，占领第一片土地！

基于动态图卷积神经的序列化推荐系统

摘要

从用户的历史序列中建模用户偏好是顺序推荐的核心问题之一。这些领域的现有方法从传统方法到深度学习方法分布广泛。然而，它们大多只在自己的序列中建模用户兴趣，而忽略了不同用户序列之间动态协作信号的细粒度利用，不足以探索用户偏好。我们从动态图神经网络中获得灵感来应对这一挑战，将用户序列建模和用户之间的动态交互信息统一到一个框架中。提出了一种新的动态图神经网络顺序推荐方法(DGSR)，该方法通过动态图结构连接不同用户的顺序，探索具有时间和顺序信息的用户和项目的交互行为。此外，我们还设计了一个动态图注意力神经网络来实现不同用户及其序列在动态图中的信息传播和聚合。因此，顺序推荐中的下一个项目预测任务被转换成动态图中用户节点到项目节点的链接预测任务。在四个baseline上的广泛实验表明，DGSR优于几种最先进的方法。进一步的研究证明了通过动态图建模用户序列的合理性和有效性。

1 介绍

推荐系统的发展：静态用户-项目的交互（忽略用户历史信息）→序列化推荐（HMM or RNN）→序列化推荐（RNN，忽略了不同用户之间动态且通信号）→DGSR

大多数顺序模型的训练和测试范例

上图的细化，具体到每个时间步。每条边代表用户和项目之间的交互，实线表示当前时间发生的交互，虚线表示u1下一次的交互

以上这种图结构比单序列包含更多上下文信息，但常不能显式地利用这种动态上下文信息，这导致难以准确地捕捉用户偏好。
存在两个重要问题:一是如何为每个用户序列动态提取高阶连通用户和项目？另一个是如何为每个用户序列编码动态上下文信息？
我们提出了DGSR,它从动态图的角度探索用户和具有时间及顺序信息的项目之间的交互行为。

DGSR的框架是这样的:
首先，我们将所有的用户序列转换成一个动态图，图的边缘嵌入了时间特征和序列顺序(第4.1节)。因此，具有公共项目的用户序列通过用户→项目和项目→用户连接来链接。
其次，我们设计了一个子图采样策略(第4.2节)，其目的是动态地提取包含用户序列及其相关序列的子图。
第三，为了探索子图中每个节点的信息传播和聚集，我们设计了一个动态图注意神经网络(第4.3节)，其中构建了一个动态注意模块来捕获全局信息，并进一步提出了一个递归神经模块来学习局部动态表示。通过堆叠多个差分全球定位系统层，可以更好地利用每个序列的丰富上下文信息。
最后，我们将下一项预测任务转换为用户节点的链接预测任务(第4.4节)。

贡献：
在顺序推荐场景中，在用户序列之间显式建模动态协作信号的至关重要性。

标签：顺序,Neural,Graph,Dynamic,用户,动态图,序列,动态,交互
来源： https://blog.csdn.net/weixin_44745159/article/details/117444840

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。