超级会员免费看
基于超图增强和信息补充网络的会话推荐及新闻推荐方法
在当今的推荐系统领域，会话推荐和新闻推荐是两个重要的研究方向。然而，现有的方法在处理这些问题时存在一些局限性，下面我们将详细介绍针对这些问题提出的新方法。
会话推荐中的超图增强和信息补充网络（HAISN）
在会话推荐（SBR）中，超图结构虽然能够表示会话之间的复杂关系，但也存在一些问题。例如，难以根据会话中的位置推断结果，超图卷积中物品之间信息传递困难，导致物品嵌入缺乏全局信息，并且长会话中存在的噪声会干扰图神经网络（GNNs）的消息传递。
为了解决这些问题，我们提出了超图增强和信息补充网络（HAISN），其主要贡献如下：
- 全局图自监督学习（GGSL）通道 ：通过全局图卷积（GGC）和自监督学习为超图提供顺序和全局信息。
- 超图增强学习（HAL）通道 ：修剪超边，为超图提供过滤后的会话信息，减少噪声数据对模型的影响。
- HAISN网络 ：将上述两个通道与超图卷积通道（HCC）相结合，自监督学习方法为HCC提供GGSL和HAL通道的信息。
相关工作
- 图增强 ：图增强方法常用于图分类和复杂网络领域。在推荐系统中，已有研究使用多视图图注意力网络对用户表示进行去噪和增强，但尚未有将超图增强引入SBR的尝试。
- 基于图的会话推荐方法 ：“基于GNN的会话推荐”（SR - GNN）首次使用有向图进行SBR，但无法捕捉不同物品之间的高阶相关
订阅专栏 解锁全文
扫一扫
494
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
