推荐系统遇上深度学习(四十二)-使用图神经网络做基于会话的推荐

前两篇，我们介绍了如何使用循环神经网络来做基于会话的推荐，本篇我们更进一步，来看一下如何使用近期比较火热的图网络来做基于会话的推荐。

本文介绍的论文题目为：《Session-based Recommendation with Graph Neural Networks》
论文下载地址为：https://arxiv.org/abs/1811.00855
代码地址为：https://github.com/princewen/tensorflow_practice/tree/master/recommendation/Basic-SRGNN-Demo（代码和参考代码一致，写了点注释）
参考代码地址为：https://github.com/CRIPAC-DIG/SR-GNN

好了，开始正题吧，在模型介绍时，我们尽量配合代码，让过程显得更加易懂一些。

1、背景介绍

现有基于会话的推荐，方法主要集中于循环神经网络和马尔可夫链，论文提出了现有方法的两个缺陷：
1）当一个会话中用户的行为数量十分有限时，这些方法难以获取准确的用户行为表示。如当使用RNN模型时，用户行为的表示即最后一个单元的输出，作者认为只有这样并非十分准确。
2）根据先前的工作发现，物品之间的转移模式在会话推荐中是十分重要的特征，但RNN和马尔可夫过程只对相邻的两个物品的单向转移关系进行建模，而忽略了会话中其他的物品。

针对上面的问题，作者提出使用图网络来做基于会话的推荐，其整个模型的框架如下图所示：

接下来，我们就来介绍一下这个流程吧。

2、模型介绍

2.1 符号定义

V={v₁,v₂,...,v_m} 代表所有的物品。s=[v_s,1,v_s,2,...,v_s,n]代表一个session中按照时间先后排序的用户点击序列，我们的目标是预测用户下一个要点击的物品v_s,n+1

2.2 子图构建

我们为每一个Session构建一个子图，并获得它对应的出度和入度矩阵。

假设一个点击序列是v1->v2->v4->v3，那么它得到的子图如下图中红色部分所示：