[论文解读] Balancing Multi-level Interactions for Session-based Recommendation

Yujia Zheng, Siyi Liu+1 more|arXiv (Cornell University)|Oct 29, 2019

Recommender Systems and Techniques参考文献 36被引用 14

一句话总结

本文提出 I3GN，一种基于图神经网络的会话推荐模型，通过联合建模会话内和会话间的物品级交互关系，实现对用户行为的多层次建模。通过构建独立的会话内与会话间图结构，并利用注意力机制动态平衡不同交互的贡献，I3GN 在真实世界数据集上取得了最先进性能，证明了捕捉会话间物品交互关系在超越单一会话内序列模式之外具有重要价值。

ABSTRACT

Predicting user actions based on anonymous sessions is a challenge to general recommendation systems because the lack of user profiles heavily limits data-driven models. Recently, session-based recommendation methods have achieved remarkable results in dealing with this task. However, the upper bound of performance can still be boosted through the innovative exploration of limited data. In this paper, we propose a novel method, namely Intra-and Inter-session Interaction-aware Graph-enhanced Network, to take inter-session item-level interactions into account. Different from existing intra-session item-level interactions and session-level collaborative information, our introduced data represents complex item-level interactions between different sessions. For mining the new data without breaking the equilibrium of the model between different interactions, we construct an intra-session graph and an inter-session graph for the current session. The former focuses on item-level interactions within a single session and the latter models those between items among neighborhood sessions. Then different approaches are employed to encode the information of two graphs according to different structures, and the generated latent vectors are combined to balance the model across different scopes. Experiments on real-world datasets verify that our method outperforms other state-of-the-art methods.

研究动机与目标

• 解决现有会话推荐模型仅关注会话内序列模式或会话级协同信号的局限性，忽视跨会话的细粒度物品级交互。
• 探索会话间物品级交互——不同会话中物品之间的复杂关系——在缺乏用户画像情况下的协同信息潜力。
• 在不同交互范围（会话内 vs. 跨会话）之间平衡模型容量，避免某一类交互主导，从而提升整体推荐性能。
• 构建统一框架，整合会话内与会话间图结构，并结合注意力机制，以增强会话推荐的表征学习能力。

提出的方法

• 构建会话内图，利用物品转移模式建模当前会话内的物品级交互。
• 通过基于会话相似度识别邻近会话，并连接这些会话中的物品，构建会话间图以捕捉跨会话的物品关系。
• 应用图卷积网络（GCNs）对会话内与会话间图的结构信息进行编码，保留局部与全局交互模式。
• 使用多头自注意力机制动态加权会话间图中邻居节点的重要性，降低不相关物品带来的噪声影响。
• 通过可学习的融合机制结合两个图的编码表示，生成平衡且全面的会话表征。
• 在消融实验变体中采用平均池化与基于图的聚合策略，评估注意力机制与图结构对性能的影响。

实验结果

研究问题

• RQ1 会话间物品级交互——超越会话级相似性——能否为会话推荐提供有意义的协同信号？
• RQ2 如何在单一推荐框架中有效建模并平衡会话内与会话间交互？
• RQ3 图结构与注意力机制在捕捉跨会话复杂物品级交互中的相对贡献如何？
• RQ4 整合多层次交互（会话内与会话间）是否能持续提升性能，超越现有最先进方法？
• RQ5 模型性能对超参数（如注意力头数量与图卷积层数）的敏感性如何？

主要发现

• I3GN 在真实世界数据集上优于所有最先进方法，Recall@10 与 MRR 指标均达到最高，相较前序 SOTA 方法相对提升最高达 5.2%。
• 消融研究显示，移除注意力机制（I3GN-avg）导致性能显著下降，证实了在会话间图中动态相关性加权的重要性。
• I3GN-α（含注意力但无池化）的性能优于 I3GN-β（含池化但无注意力），表明基于注意力的聚合比平均池化更有效地过滤无关邻居。
• 完整 I3GN 模型（结合图结构与注意力机制）表现最佳，证明通过合理平衡策略建模会话内与会话间交互可获得更优结果。
• 最优图卷积层数为 2，最佳注意力头数为 8；超过此值后性能因过拟合或过平滑而下降。
• 会话间图能捕捉有意义的协同信号：即使未直接出现在当前会话中的邻近会话物品，仍能通过语义或行为相关性对下一动作预测产生贡献。