结构图:
首先,将所有会话序列建模为定向会话图,其中每个会话序列可以作为子图处理。然后依次处理每个会话图,通过门控图神经网络得到每个图中所有节点的潜在向量。然后,我们将每个会话表示为全局首选项和用户当前对该会话的兴趣的组合,其中这些全局和本地会话嵌入向量都由节点的潜在向量组成。最后,对于每个会话,我们预测每个条目成为下一个单击的概率。在真实数据集上进行的大量实验证明了该方法的有效性。
开源代码在:https://github.com/CRIPAC-DIG/SR-GNN.
相关工作
之前的因子分解模型、基于物品的邻域方法效果都不太好,马尔科夫链的模型在预测用户下一个行为的同时,用到了用户现在的行为。
顺着这个思路下去,就提到了深度学习中的RNN,循环神经网络,通过权重来调节之前的行为对之后的行为到底有没有影响,有多大影响。RNN在语句模型中非常成功。(之前了解,LSTM效果最好了,因为有三个gate)
GNN
图神经网络,Neural network on graphs.。目前,神经网络已被用于生成图形结构数据的表示,例如,社交网络和知识库,又扩展到了word2vec,之后打算整理一下node2vec和word2vec