[论文解读] Temporal aware Multi-Interest Graph Neural Network For Session-based Recommendation

Qi Shen, Shixuan Zhu+3 more|arXiv (Cornell University)|Dec 31, 2021

Recommender Systems and Techniques被引用 7

一句话总结

本文提出TMI-GNN，一种时序感知的多兴趣图神经网络，通过在多兴趣图中建模物品-物品、物品-兴趣及兴趣-物品关系，实现会话推荐中多用户兴趣的解耦。该方法同时整合了物品级时间间隔与兴趣级时间分布，以优化表征学习，有效捕捉随时间漂移和重叠的用户意图，在三个基准数据集上实现了最先进性能。

ABSTRACT

Session-based recommendation (SBR) is a challenging task, which aims at recommending next items based on anonymous interaction sequences. Despite the superior performance of existing methods for SBR, there are still several limitations: (i) Almost all existing works concentrate on single interest extraction and fail to disentangle multiple interests of user, which easily results in suboptimal representations for SBR. (ii) Furthermore, previous methods also ignore the multi-form temporal information, which is significant signal to obtain current intention for SBR. To address the limitations mentioned above, we propose a novel method, called \emph{Temporal aware Multi-Interest Graph Neural Network} (TMI-GNN) to disentangle multi-interest and yield refined intention representations with the injection of two level temporal information. Specifically, by appending multiple interest nodes, we construct a multi-interest graph for current session, and adopt the GNNs to model the item-item relation to capture adjacent item transitions, item-interest relation to disentangle the multi-interests, and interest-item relation to refine the item representation. Meanwhile, we incorporate item-level time interval signals to guide the item information propagation, and interest-level time distribution information to assist the scattering of interest information. Experiments on three benchmark datasets demonstrate that TMI-GNN outperforms other state-of-the-art methods consistently.

研究动机与目标

• 解决现有会话推荐方法仅建模单一用户兴趣的局限性，从而导致表征学习不充分的问题。
• 将多形式时序信息——包括物品级时间间隔与兴趣级时间分布——融入会话建模，以提升意图理解能力。
• 在单一会话内解耦多个可能重叠或随时间漂移的用户兴趣，以提升推荐准确率与可解释性。
• 设计一种图神经网络架构，同时建模物品-物品转移、物品-兴趣关系与兴趣-物品表征优化。

提出的方法

• 通过在会话中追加多个兴趣节点，构建多兴趣图以表征用户在会话中的不同兴趣。
• 利用图神经网络建模三类关系：物品-物品转移以捕捉序列流动，物品-兴趣关系以实现多兴趣解耦，兴趣-物品关系以优化物品表征。
• 将物品级时间间隔信号注入消息传递过程，依据时间接近度引导相邻物品间的信息传播。
• 整合兴趣级时间分布信息，以建模每种兴趣的时间覆盖范围与虚拟位置，增强兴趣分离与相关性估计。
• 采用多任务学习目标并引入兴趣无关损失，以强制实现不同兴趣间的解耦，减少相互干扰。
• 使用时间桶化方法对时间间隔进行离散化，以实现可扩展的时序信号集成至GNN框架。

实验结果

研究问题

• RQ1 在单一会话中建模多个用户兴趣是否能显著提升会话推荐性能，相较于单兴趣方法？
• RQ2 引入物品级时间间隔信号对会话表征学习的准确性有何影响？
• RQ3 建模兴趣级时间分布在短会话中对用户意图解耦的改善程度如何？
• RQ4 不同GNN深度与时间桶化设置对模型鲁棒性与性能的影响如何？
• RQ5 TMI-GNN的关键组件（如兴趣节点与独立损失）对整体性能提升的贡献程度如何？

主要发现

• TMI-GNN在三个基准数据集（YooChoose、JData与Diginommer）上均优于所有现有最先进会话推荐模型。
• 移除任意一种时序信息（物品级间隔、兴趣级分布或最后一条物品时间信号）均导致性能明显下降，证实多形式时序注入的重要性。
• 基于最后一条物品的时间间隔信号比基于第一条物品的信号更有效，表明近期交互包含更强的预测信号。
• 设置两个兴趣节点的模型表现最佳，而兴趣节点数量超过两个后性能开始下降，归因于冗余或冲突的兴趣表征。
• 随着GNN深度增加（最多5层），模型保持稳定性能，表明相比SRGNN等基线GNN，其具有更低的过平滑风险。
• 消融实验确认，多兴趣图与兴趣无关损失对实现不同用户兴趣的解耦及提升推荐准确率均至关重要。