[论文解读] DAGNN: Demand-aware Graph Neural Networks for Session-based Recommendation

Liqi Yang, Linhan Luo+3 more|arXiv (Cornell University)|May 30, 2021

Recommender Systems and Techniques参考文献 34被引用 5

一句话总结

该论文提出DAGNN，一种面向会话推荐的需求感知图神经网络，通过全局需求矩阵建模用户会话需求，并利用图神经网络学习需求感知的物品嵌入。该方法通过与互信息损失联合优化，在真实世界数据集上实现了最先进性能。

ABSTRACT

Session-based recommendations have been widely adopted for various online video and E-commerce Websites. Most existing approaches are intuitively proposed to discover underlying interests or preferences out of the anonymous session data. This apparently ignores the fact these sequential behaviors usually reflect session user's potential demand, i.e., a semantic level factor, and therefore how to estimate underlying demands from a session is challenging. To address aforementioned issue, this paper proposes a demand-aware graph neural networks (DAGNN). Particularly, a demand modeling component is designed to first extract session demand and the underlying multiple demands of each session is estimated using the global demand matrix. Then, the demand-aware graph neural network is designed to extract session demand graph to learn the demand-aware item embedddings for the later recommendations. The mutual information loss is further designed to enhance the quality of the learnt embeddings. Extensive experiments are evaluated on several real-world datasets and the proposed model achieves the SOTA model performance.

研究动机与目标

• 为解决现有会话推荐方法忽略序列行为中语义级用户需求的局限性。
• 使用全局需求矩阵对每个用户会话中的多种潜在需求进行建模。
• 通过构建需求感知会话图，学习需求感知的物品嵌入。
• 通过互信息损失目标提升嵌入质量。
• 在真实世界会话推荐基准上实现最先进性能。

提出的方法

• 需求建模组件使用全局需求矩阵估计会话级需求，以捕捉潜在语义因子。
• 需求感知图神经网络构建图结构，其中节点代表物品，边编码需求感知关系。
• 模型学习基于会话估计需求的物品嵌入，从而增强个性化。
• 引入互信息损失以最大化学习嵌入与会话需求表征之间的依赖性。
• 整个模型端到端训练，联合优化需求估计与推荐性能。
• 该架构支持每会话的多需求建模，实现对用户意图的细致理解。

实验结果

研究问题

• RQ1 如何有效建模用户会话行为以捕捉潜在的语义级需求？
• RQ2 需求感知表征在多大程度上能提升会话推荐性能？
• RQ3 全局需求矩阵能否有效捕捉跨会话中多样化且潜在的用户需求？
• RQ4 引入互信息损失如何提升学习嵌入的质量？
• RQ5 所提出的DAGNN框架是否在真实世界会话推荐任务中优于现有最先进方法？

主要发现

• 所提出的DAGNN在多个真实世界会话推荐数据集上实现了最先进性能。
• 使用全局需求矩阵显著提升了会话内多维度用户需求的建模能力。
• 互信息损失组件增强了学习嵌入的判别能力。
• 需求感知图神经网络架构带来了更准确和个性化的推荐。
• 该模型在多样化会话推荐场景中表现出稳健的泛化能力。
• 实证结果证实，需求感知建模优于忽略语义需求因子的传统会话推荐模型。