基于会话推荐的双重注意力与自适应负采样方法

《ACM Transactions on Management Information Systems》：Dual Attention with Self-Adaptive Negative Sampling for Session-Based Recommendation

动态适应负采样的双注意力图神经网络在会话式推荐中的创新与应用

　　

摘要

在快速发展的在线平台和电子商务网站领域，个性化推荐在优化用户体验方面发挥着至关重要的作用。与依赖用户历史记录的传统推荐系统不同，基于会话的推荐系统旨在为匿名用户提供推荐，而无需他们登录或暴露个人信息。近年来，图神经网络（GNNs）由于其在这一领域的有效性和卓越性能而受到了广泛关注。这些基于图的方法通常采用两阶段流程：第一阶段学习静态项目嵌入，第二阶段利用这些固定嵌入来生成用户意图。然而，这种两阶段方法未能在信息传播过程中充分利用每个项目的隐藏状态，忽略了不同感知场内的项目转换。在这项研究中，我们提出了一个名为“基于会话推荐的双重注意力与自适应负采样框架（DANSeR）”。我们的模型采用双重注意力机制来捕捉不同感知场内的复杂用户意图，并通过自适应地为每个会话选择难负样本来增强模型的区分能力。此外，我们还结合了用户对项目集的行为进行归一化，以实现个性化推荐。在五个基准数据集上的广泛实验表明，DANSeR优于现有的基于会话的推荐模型。