摘要
基于会话的推荐是一项具有挑战性的任务。由于无法获取用户的历史用户-物品交互信息，当前会话中可用的信息可能十分有限。以往的基于会话推荐研究主要关注用户按顺序交互的物品序列。然而，此类物品序列难以充分捕捉超出顺序依赖关系的复杂物品间转移模式。为此，图神经网络（GNN）模型被提出，以建模物品之间的复杂转移关系。然而，传统的GNN通常仅在相邻物品之间传播信息，忽略了那些无直接连接的物品所蕴含的信息。此外，基于GNN的方法往往面临严重的过拟合问题。为此，本文提出了一种结合高速网络（Highway Networks）的星图神经网络（Star Graph Neural Networks with Highway Networks, SGNN-HN），用于提升基于会话的推荐性能。所提出的SGNN-HN采用星图神经网络（SGNN）来建模当前会话中物品间的复杂转移关系。为缓解过拟合问题，引入高速网络（HN）以自适应地选择物品表示中的嵌入特征。最后，通过聚合当前会话中SGNN生成的物品嵌入，构建用户最终的物品偏好表示，用于后续推荐预测。在两个公开基准数据集上的实验结果表明，SGNN-HN在P@20和MRR@20指标上均优于当前最先进的推荐模型，展现出更强的推荐性能。