摘要
如今，会话推荐在众多网站中发挥着至关重要的作用，其目标是基于匿名会话预测用户的后续行为。已有大量研究通过分析会话中物品之间的时序转移关系，将会话建模为序列或图结构。然而，这些方法通常将整个会话压缩为一个固定长度的表示向量，而未考虑待预测的目标物品。这种固定向量会限制推荐模型的表达能力，难以充分捕捉目标物品的多样性以及用户兴趣的异质性。本文提出一种新型的目标感知图神经网络（Target Attentive Graph Neural Network, TAGNN）用于会话推荐。在TAGNN中，目标感知注意力机制能够根据不同的目标物品自适应地激活用户的不同兴趣。由此学习到的兴趣表示向量会随目标物品的变化而动态调整，显著提升了模型的表达能力。此外，TAGNN充分利用图神经网络的强大建模能力，有效捕捉会话中丰富的物品间转移关系。在多个真实世界数据集上进行的全面实验表明，该模型在性能上优于当前最先进的方法。