Star Graph Neural Networks für sessionbasierte Empfehlungen

Die Empfehlung basierend auf Sitzungen stellt eine herausfordernde Aufgabe dar. Ohne Zugriff auf die historischen Interaktionen eines Benutzers können die Informationen innerhalb einer laufenden Sitzung sehr begrenzt sein. Frühere Arbeiten zur Sitzungs-basierten Empfehlung haben sequenzielle Folgen von Artikeln betrachtet, mit denen Benutzer interagiert haben. Solche Artikelsequenzen können jedoch die komplexen Übergangsbeziehungen zwischen Artikeln nicht vollständig erfassen, insbesondere jene, die über die reine Reihenfolge der Inspektion hinausgehen. Daher wurden Modelle basierend auf Graph Neural Networks (GNN) vorgeschlagen, um die Übergangsbeziehungen zwischen Artikeln besser zu erfassen. Allerdings propagieren GNNs typischerweise nur Informationen von benachbarten Artikeln, wodurch Informationen aus Artikeln, die nicht direkt miteinander verbunden sind, vernachlässigt werden. Insbesondere leiden GNN-basierte Ansätze häufig unter schwerwiegenden Überanpassungsproblemen. Wir schlagen Star Graph Neural Networks mit Highway Networks (SGNN-HN) für die Sitzungs-basierte Empfehlung vor. Das vorgeschlagene SGNN-HN setzt ein Star Graph Neural Network (SGNN) ein, um die komplexen Übergangsbeziehungen zwischen Artikeln innerhalb einer laufenden Sitzung zu modellieren. Um Überanpassung zu vermeiden, nutzen wir Highway Networks (HN), um adaptiv Embeddings aus den Artikelrepräsentationen auszuwählen. Schließlich aggregieren wir die durch das SGNN in einer laufenden Sitzung generierten Artikel-Embeddings, um die endgültige Präferenz eines Benutzers für die Vorhersage von Artikeln zu repräsentieren. Experimente auf zwei öffentlichen Benchmark-Datensätzen zeigen, dass SGNN-HN state-of-the-art-Modelle hinsichtlich P@20 und MRR@20 bei der Sitzungs-basierten Empfehlung übertrifft.