Réseaux de neurones à graphes étoile pour la recommandation basée sur les sessions

La recommandation basée sur les sessions constitue une tâche difficile. En l'absence d'accès aux interactions historiques utilisateur-élément, les informations disponibles au cours d'une session en cours peuvent être très limitées. Les travaux antérieurs sur la recommandation basée sur les sessions se sont concentrés sur les séquences d'éléments interagis de manière séquentielle par les utilisateurs. Toutefois, de telles séquences d'éléments ne parviennent pas à capturer pleinement les relations de transition complexes entre les éléments, qui dépassent l'ordre d'inspection. Par conséquent, des modèles fondés sur les réseaux de neurones graphiques (GNN) ont été proposés afin de modéliser ces relations de transition entre éléments. Toutefois, les GNN transmettent généralement l'information uniquement entre éléments adjacents, négligeant ainsi les informations provenant d'éléments sans connexion directe. De plus, les approches basées sur les GNN souffrent souvent de problèmes graves de surajustement. Nous proposons un modèle appelé Star Graph Neural Networks with Highway Networks (SGNN-HN) pour la recommandation basée sur les sessions. Le SGNN-HN utilise un réseau de neurones graphiques en étoile (SGNN) pour modéliser les relations de transition complexes entre les éléments au sein d'une session en cours. Pour éviter le surajustement, nous intégrons des réseaux de chemin (highway networks, HN) afin de sélectionner de manière adaptative les représentations d'éléments. Enfin, nous agrégons les représentations d'éléments générées par le SGNN au cours d'une session afin de représenter la préférence finale de l'utilisateur pour la prédiction des éléments. Des expériences menées sur deux jeux de données publics de référence montrent que le SGNN-HN surpasse les modèles de pointe en matière de précision à 20 (P@20) et de moyenne des rangs réciproques à 20 (MRR@20) pour la recommandation basée sur les sessions.