【会话推荐论文阅读】Self-Supervised Hypergraph Convolutional Networks for Session-based Recommendation

这篇文章发表于2021 AAAI，迭代了4次，最后一次相较于初版（未接收）改动可以说是彻头彻尾，但构建超图并引入自监督学习的思想还是一脉相承的。本文就最新版整理一下论文内容，以及个人理解。

Problem：
在会话推荐中，最近的GNN方法（SR-GNN,FGNN等）将item transition视为成对关系（pairwise relations），但忽略了item之间复杂的高阶关系。

Motivation：
1. 作者认为一个会话中的items序列是与时间相关的，但并不是严格的顺序依赖；
2. 通过构建超图可以捕获复杂的高阶数据相关关系（high order data correlation）；
3. 由于每个超边只包含有限个item，数据自身存在的稀疏性问题可能会限制超图建模的优势，因此作者引入了线图（line graph）并利用自监督（self-supervised learning）来增强超图的建模能力。

Innovation：
1. 为 SBR 任务提出了一种双通道超图卷积网络 DHCN，通过超图建模，可以捕获项目之间的超配对关系和交叉会话信息。
2. 首次将自监督学习学习的概念放入到推荐任务的网络训练中，自监督学习可以加强模型的表达能力和推荐任务的完成效果。
（个人认为，超图构建为无向图，所以没有考虑用户重复点击同一item的行为。）

Methodology：
具体模型如下图：