基于会话的动态图注意力网络社会推荐

在线社区如Facebook和Twitter非常受欢迎，已成为许多用户日常生活中不可或缺的一部分。通过这些平台，用户可以发现并创建其他人将消费的信息。在这种背景下，向用户推荐相关的信息对于平台的生存至关重要。然而，在线社区中的推荐问题具有挑战性：1）用户的兴趣是动态变化的；2）用户受到其朋友的影响。此外，影响者可能依赖于具体情境。也就是说，不同的朋友在不同的主题上可能会被依赖。因此，对这两种信号进行建模对于推荐系统而言是至关重要的。我们提出了一种基于动态图注意力神经网络的在线社区推荐系统。我们使用循环神经网络来建模用户的动态行为，并使用图注意力神经网络来建模情境依赖的社会影响，该网络根据用户的当前兴趣动态推断出影响者。整个模型可以在大规模数据上高效地拟合。在多个真实世界数据集上的实验结果表明，我们的方法在几种竞争基线模型（包括最先进的模型）中表现出色。