| 潘 茂* **,张梦菲***,辛增卫* **,金佳琪* **,陈 娟* **,方金云*,刘晓东*.基于超图卷积网络的重复性消费会话推荐算法[J].高技术通讯(中文),2023,33(5):497~510 |
| 基于超图卷积网络的重复性消费会话推荐算法 |
| A repeat aware hypergraph convolutional network for session-based recommendation |
| |
| DOI：10. 3772/ j. issn. 1002-0470. 2023. 05. 006 |
| 中文关键词: 会话推荐; 超图卷积网络; 行为模式; 重复性消费; 交叉信息 |
| 英文关键词: session-based recommendation, hypergraph convolutional network, behavior pattern, repeat consumption,side information |
| 基金项目: |
| 作者 | 单位 | | 潘 茂* ** | (?中国科学院计算技术研究所 北京100190)
(??中国科学院大学 北京100190)
(???国家计算机网络应急技术处理协调中心 北京100029) | | 张梦菲*** | (?中国科学院计算技术研究所 北京100190)
(??中国科学院大学 北京100190)
(???国家计算机网络应急技术处理协调中心 北京100029) | | 辛增卫* ** | (?中国科学院计算技术研究所 北京100190)
(??中国科学院大学 北京100190)
(???国家计算机网络应急技术处理协调中心 北京100029) | | 金佳琪* ** | (?中国科学院计算技术研究所 北京100190)
(??中国科学院大学 北京100190)
(???国家计算机网络应急技术处理协调中心 北京100029) | | 陈 娟* ** | (?中国科学院计算技术研究所 北京100190)
(??中国科学院大学 北京100190)
(???国家计算机网络应急技术处理协调中心 北京100029) | | 方金云* | (?中国科学院计算技术研究所 北京100190)
(??中国科学院大学 北京100190)
(???国家计算机网络应急技术处理协调中心 北京100029) | | 刘晓东* | (?中国科学院计算技术研究所 北京100190)
(??中国科学院大学 北京100190)
(???国家计算机网络应急技术处理协调中心 北京100029) |
|
| 摘要点击次数: 869 |
| 全文下载次数: 855 |
| 中文摘要: |
| 针对基于会话的推荐算法(SBRS)在建模会话表示时,缺乏考虑会话中物品之间多元关联关系和用户重复性消费的行为模式,提出一种基于超图卷积网络的重复性消费会话推荐算法。算法首先根据用户的会话序列组建超图和线图,并通过超图卷积网络建模会话内物品之间多元关联关系和会话间交叉信息;接着通过注意力网络生成用户的意图表示;然后构建重复—探索模块以建模用户重复消费的行为模式;最后根据生成的会话表示预测下一个产生交互的物品评分,进行推荐。在2 个公开的现实数据集上的大量实验结果表明,所提模型在召回率和平均倒数排名指标上优于其他基线算法。 |
| 英文摘要: |
| In this paper, a session-based recommendation based on hypergraph convolutional network is proposed to address the limitations of existing approaches in modeling the beyond pair-wise relations between items within a session and user behavior patterns of repeated consumption. Methodologically, first, the undirected hypergraphs and line graphs are generated based on all the sessions, then the embedding of the items are inputted into the hypergraph convolutional networks to capture the beyond pair-wise relations and the cross-session information, in addition,a repeat-explore module is employed to model the repeat consumption behavior patterns. Finally, according to the session representation, the next interaction will be predicted. Extensive experimental results on two real-world datasets demonstrate that the proposed model outperforms other baseline algorithms in terms of Recall and mean reciprocal rank (MRR). |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
|
|
|
