SR-GNN中文翻译 Session-based Recommendation with Graph Neural Networks

认真翻译的，由于图显示等问题，上传比较麻烦，需要的我直接文档发给你。
使用图神经网络的基于会话的推荐
摘要
基于会话的推荐问题旨在预测基于匿名会话预测用户行为。以前的方法将会话建模为序列，并估计除物品表示以外的用户表示，以提出建议。尽管取得了可喜的结果，但它们不足以在会话中获得准确的用户向量并忽略了物品的复杂转换。为了获得准确的物品嵌入并考虑到物品的复杂过渡，我们提出了一种新颖的方法，即使用图神经网络的基于会话的推荐，简称为SR-GNN。在提出的方法中，会话序列被建模为图结构数据。基于会话图，GNN可以捕获物品的复杂转换，这是以前的常规顺序方法难以揭示的。然后，使用注意力网络将每个会话表示为该会话的全局偏好和当前兴趣的组合。在两个真实数据集上进行的大量实验表明，SR-GNN明显优于基于会话的最新推荐方法。

1 介绍
随着Internet上信息量的快速增长，推荐系统成为帮助用户减轻信息过载问题并在许多Web应用程序（例如搜索，电子商务和媒体流站点）中选择有趣信息的基础。大多数现有的推荐系统都假设用户资料和过去的活动被不断记录。然而，在许多服务中，用户标识可能是未知的，并且只有正在进行的会话期间的用户行为历史可用。因此，在一个会话中对有限的行为进行建模并相应地生成推荐是非常重要的。相反，在这种情况下，依赖于充分的用户-物品交互的传统推荐方法在产生准确结果方面存在问题。
由于具有很高的实用价值，可以观察到对这个问题的研究兴趣越来越大，并且已经开发了多种基于会话的推荐建议。基于马尔可夫链，一些工作（Shani，Brafman和Heckerman 2002； Rendle，Freudenthaler和Schmidt-Thieme 2010）根据用户的前一个行为预测用户的下一个行为。在强独立假设下，过去分量的独立组合限制了预测精度。
近年来，大多数研究（Hidasi等。2016年； Tan，Xu和Liu 2016; Tuan和Phuong 2017; Li等。 2017a）将循环神经网络（RNN）应用于基于会话的推荐系统并获得了有希望的结果。这项工作 (Hidasi et al. 2016a) 首先提出了一种循环神经网络方法，然后通过数据增强和考虑用户行为的时间变化来增强模型 (Tan, Xu, and Liu 2016)。最近，NARM (Li et al. 2017a) 设计了一个全局和局部 RNN 推荐器来同时捕捉用户的顺序行为和主要目的。与 NARM 类似，STAMP (Liu et al. 2018) 也通过使用简单的 MLP 网络和注意力网络来捕捉用户的一般兴趣和当前兴趣。
尽管上述方法取得了令人满意的结果并成为最先进的技术，但它们仍然存在一些局限性。首先，在一个会话中没有足够的用户行为，这些方法难以估计用户表示。通常，这些 RNN 方法的隐藏向量被视为用户表示，然后可以基于这些表示生成推荐，例如 NARM 的全局推荐器。然而，在基于会话的推荐系统中，会话大多是匿名的且数量众多，并且会话点击中涉及的用户行为通常是有限的。因此，很难从每个会话中准确估计每个用户的表示。其次，之前的工作表明，物品转换的模式很重要，可以用作基于会话的推荐中的局部因素（Li et al. 2017a; Liu et al. 2018），但是这些方法总是对连续物品之间的单向转换进行建模，而忽略上下文之间的转换，即会话中的其他物品。因此，这些方法经常忽略远距离物品之间的复杂转换。
为了克服上述限制，我们提出了一种新的基于会话的图神经网络推荐方法，SR-GNN，以探索物品之间的丰富转换并生成准确的物品潜在向量。图神经网络（GNN）（Scarselli et al.2009; Li et al.2015）设计用于生成图的表示。最近，它已被广泛用于对自然语言处理和计算机视觉应用的图结构依赖关系建模，例如，脚本事件预测（Li、Ding 和 Liu 2018）、情景识别（Li et al. 2017b）和图像分类（Marino、Salakhutdinov 和 Gupta 2017）。对于对于基于会话的推荐，我们首先从历史会话序列构建有向图。基于会话图，GNN 能够捕获物品的转换并相应地生成准确的物品嵌入向量，这是传统的顺序方法难以揭示的，如基于 MC 和基于 RNN 的方法。基于准确的物品嵌入向量，所提出的 SR-GNN 构造了更可靠的会话表示，并且可以推断出下一步点击的物品。
图1说明了所提出的 SRGNN 方法的工作流程。首先，所有会话序列都被建模为有向会话图，其中每个会话序列都可以视为一个子图。然后，依次对每个会话图进行处理，并可以通过门控图神经网络获得每个图中所涉及的所有节点的潜在向量。之后，我们将每个会话表示为全局偏好和该会话中用户当前兴趣的组合，其中这些全局和局部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，我们预测每个物品成为下一次点击的概率。在现实世界中具有代表性的数据集上进行的大量实验证明了该方法在最新技术方面的有效性。这项工作的主要贡献概括如下：
• 我们将分离的会话序列建模为图结构化数据，并使用图神经网络捕获复杂的物品转换。据我们所知，它为基于会话的推荐场景中的建模提出了一个新颖的视角。
• 为了生成基于会话的推荐，我们不依赖用户表示，而是使用会话嵌入，它可以仅基于每个单独会话中涉及的物品的潜在向量来获得。
• 在现实世界的数据集上进行的广泛实验表明，SR-GNN明显优于最新方法。
为了使我们的结果完全可重复，所有相关源代码已公开在
https://github.com/CRIPAC-DIG/SR-GNN.
本文的其余部分安排如下。我们在第2节中回顾了先前的相关文献。第3节介绍了使用图神经网络的基于会话的推荐方法。详细的实验结果和分析显示在第4节中。最后，在第5节中总结本文。