目的现有的基于图神经网络(GNN)的推荐方法忽略了会话中有价值用户在项目上的时间驻留信息,无法解决用户无意识点击带来的影响,同时忽略图神经网络中隐藏因素的表达能力,针对以上问题,提出一种融合时间驻留信息的图神经网络会话推荐模型...目的现有的基于图神经网络(GNN)的推荐方法忽略了会话中有价值用户在项目上的时间驻留信息,无法解决用户无意识点击带来的影响,同时忽略图神经网络中隐藏因素的表达能力,针对以上问题,提出一种融合时间驻留信息的图神经网络会话推荐模型(Graph Neural Network Session-based Recommendation Based on Fusion of Time Resident Information,TRGNN)。方法首先,对用户在各个项目上的驻留时间信息进行处理,通过时间图神经网络得到时间特征;其次,应用多头注意力机制增强因素的表达能力更好地提取项目特征,TRGNN将时间特征与项目特征进行融合得到最终特征,通过注意力网络得到全局上下文和局部上下文;最后,通过预测层得到最终推荐结果。结果在Diginetica和Yoochoose两个真实数据集上进行对比实验,实验结果表明:相较于最优基线模型,本模型在Mrr@20评价指标下分别提升了1.57%和3.30%,在Recall@20指标下分别提升了1.10%和0.66%。结论本模型实现了更好的推荐效果,能更好地挖掘隐藏信息,充分应用时间特征和项目隐藏特征来提高推荐准确率,降低用户误触对推荐准确率的影响。展开更多
文摘目的现有的基于图神经网络(GNN)的推荐方法忽略了会话中有价值用户在项目上的时间驻留信息,无法解决用户无意识点击带来的影响,同时忽略图神经网络中隐藏因素的表达能力,针对以上问题,提出一种融合时间驻留信息的图神经网络会话推荐模型(Graph Neural Network Session-based Recommendation Based on Fusion of Time Resident Information,TRGNN)。方法首先,对用户在各个项目上的驻留时间信息进行处理,通过时间图神经网络得到时间特征;其次,应用多头注意力机制增强因素的表达能力更好地提取项目特征,TRGNN将时间特征与项目特征进行融合得到最终特征,通过注意力网络得到全局上下文和局部上下文;最后,通过预测层得到最终推荐结果。结果在Diginetica和Yoochoose两个真实数据集上进行对比实验,实验结果表明:相较于最优基线模型,本模型在Mrr@20评价指标下分别提升了1.57%和3.30%,在Recall@20指标下分别提升了1.10%和0.66%。结论本模型实现了更好的推荐效果,能更好地挖掘隐藏信息,充分应用时间特征和项目隐藏特征来提高推荐准确率,降低用户误触对推荐准确率的影响。
