基于共现关系重构的超图增强会话推荐模型

会话推荐旨在基于匿名用户的历史行为序列预测下一个最有可能交互的项目。现有的会话推荐模型大多数直接将会话建模成序列，只考虑图模型结构中的单层信息，从而忽略了成对项目间的共现关系及其存在的信息转移差异。本文提出一种基于共现关系重构的超图增强会话推荐模型(CR-HGNN)，在充分考虑项目间共现关系的基础上，将会话序列建模成全局超图和局部图。该模型使用超图卷积神经网络捕获全局级会话信息，同时使用共现重构的方式对成对项目间的转移关系加以区分以提取局部级会话信息。最后，使用加和池化操作融合全局级信息与局部级信息，同时用标签平滑操作得到最终的项目表示以此来预测下一个最有可能交互的项目。在三个真实公开的数据集上做了大量的实验，实验结果表明，在建模时关注项目间的共现关系能够充分捕获项目的转移信息差异，一定程度上提升了本文提出的CR-HGNN模型的推荐性能，具体表现在P@20、MRR@20等指标上均优于基线模型。

推荐系统可以有效地减少系统信息过载[1]，提升用户体验。然而，传统的推荐方法往往依赖于用户长期的历史交互和个人信息。当存在冷启动或因隐私保护无法获得某些用户信息的问题时，会导致推荐系统性能较差或无法正常工作。基于匿名会话的推荐系统近来年受到了广泛的关注，它根据匿名用户的行为顺序，推荐下一个感兴趣的项目。

会话推荐(session-based recommendation, SBR)旨在为当前会话推荐下一个最有可能交互的项目。

基于协同过滤[2]的推荐通过利用项目之间的相似性进行推荐，但存在冷启动问题限制了性能。基于矩阵分解[3]的推荐将观察到的相互作用上的转移矩阵分解为它们的潜在表示来预估后续的转移，但该方法忽略了用户的主要潜在意图。基于马尔科夫链[4]推荐是利用前一个交互项目来指导下一个交互项目，它基于当前状态仅与前一时刻的状态有关这一假设，没有考虑用户其他的历史交互信息，影响了预测的准确度。

最近一些利用循环神经网络(RNN) [5]、注意力机制或图神经网络[6] [7]的基于深度学习的会话推荐技术引起了人们的广泛关注。

基于循环神经网络的方法[8] [9]按时间顺序建模项目， 并根据项目之间的顺序依赖关系来实现推荐。然而，使用RNN 将会话建模成序列时，无法从其他会话中获得信息，也无法学习成对项之间的共现关系。基于注意力机制的方法[10]使用自注意力机制代替RNN 中的编码器，但存在与基于循环神经网络方法同样的缺陷。

基于图神经网络的方法[11] [12] [13]将项目的交互序列映射为一个图结构以进行会话推荐。

该方法能利用其他会话的信息， 但是无法有效地获得更高维的图级信息。

DHCN [14]是一个超图结构，它能够有效地捕捉更高维的图级信息， 但该模型将会话建模为无向图， 无法学习成