[论文解读] DGTN: Dual-channel Graph Transition Network for Session-based Recommendation

Yujia Zheng, Siyi Liu+2 more|arXiv (Cornell University)|Sep 21, 2020

Recommender Systems and Techniques参考文献 40被引用 7

一句话总结

DGTN 提出了一种双通道图转换网络，通过构建具有通道感知传播的统一图，同时对目标会话及其邻近会话中的项目转移进行建模。实验表明，DGTN 在真实世界数据集上的表现优于最先进方法，证明了通过基于图的学习显式建模跨会话协同转移的有效性。

ABSTRACT

The task of session-based recommendation is to predict user actions based on anonymous sessions. Recent research mainly models the target session as a sequence or a graph to capture item transitions within it, ignoring complex transitions between items in different sessions that have been generated by other users. These item transitions include potential collaborative information and reflect similar behavior patterns, which we assume may help with the recommendation for the target session. In this paper, we propose a novel method, namely Dual-channel Graph Transition Network (DGTN), to model item transitions within not only the target session but also the neighbor sessions. Specifically, we integrate the target session and its neighbor (similar) sessions into a single graph. Then the transition signals are explicitly injected into the embedding by channel-aware propagation. Experiments on real-world datasets demonstrate that DGTN outperforms other state-of-the-art methods. Further analysis verifies the rationality of dual-channel item transition modeling, suggesting a potential future direction for session-based recommendation.

研究动机与目标

• 为了解决现有会话推荐方法仅关注目标会话内部转移、忽略来自相似邻近会话协同信号的局限性。
• 通过将目标会话及其相似邻近会话整合到单一图结构中，对不同会话间的复杂项目转移进行建模。
• 通过显式区分并学习两类转移模式（会话内转移与会话间转移），提升推荐准确性。
• 通过大量实验和消融研究，验证双通道转移建模的有效性与合理性。

提出的方法

• 基于会话级嵌入相似性，将目标会话及其最相似的邻近会话组合成一个统一图。
• 应用通道感知的图传播：分别为会话内转移（在目标会话内部）和会话间转移（在目标会话与邻近会话之间）使用独立的传播机制。
• 采用融合函数（如 CNN 池化、最大池化）结合两个通道的特征，使模型能够同时学习局部与协同转移模式。
• 使用交叉熵损失进行模型训练，以预测会话中的下一个项目，并通过基于 GNN 的消息传递机制更新节点嵌入。
• 采用基于相似性的邻近会话选择策略，确保仅语义相似的会话参与图构建，从而减少噪声。
• 利用图神经网络（GNNs）在构建的图上传播嵌入，捕捉长距离依赖关系与协同行为模式。

实验结果

研究问题

• RQ1 同时建模目标会话及其邻近会话中的项目转移，是否能提升会话推荐性能？
• RQ2 双通道设计——分别建模会话内与会话间转移——如何影响推荐准确性？
• RQ3 为最大化性能并最小化噪声，应在图中包含多少个邻近会话为最优？
• RQ4 用于融合会话内与会话间特征的不同融合函数如何影响模型性能？
• RQ5 与现有基于图的会话推荐模型（如 SR-GNN）相比，DGTN 的效率如何？

主要发现

• DGTN 在 Diginetica 和 Yoochoose 1/64 数据集上均达到最先进性能，优于 RNN 基础与 GNN 基础的基线方法，如 GRU4REC、NARM、KNN-RNN、CSRM 和 SR-GNN。
• 随着邻近会话数量的增加，模型性能在达到最优点（Yoochoose 1/64 上为 r=140，Diginetica 上为 r=120）前持续提升，之后因不相似会话引入的噪声而下降。
• CNN 池化作为融合函数在 Recall@20 和 MRR@20 上表现最佳，表明其在捕捉双通道显著特征方面具有优越能力。
• 最大池化也表现良好，显示出有效选择各通道最重要特征的能力；而平均池化和拼接方法表现较差，因未能妥善处理通道间的差异。
• DGTN 的训练时间与 GPU 显存占用略高于 SR-GNN，但增幅较小，在显著的性能提升面前可接受。
• 消融研究证实，引入邻近会话的转移信息能显著提升推荐准确性，验证了模型设计的合理性。