融合图神经网络和注意力机制的会话推荐模型

针对电子商务场景的会话推荐难以处理用户行为随机性、商品数据稀疏性和推荐结果滞后性问题，提出融合图神经网络和注意力机制的会话推荐模型。首先引入相对点击时间率改善由用户随机点击造成的推荐性能下降问题，参与生成由会话转换的商品关系依赖图结构；然后由多层门控图神经网络处理图结构，通过聚合更多节点信息输出相对稠密的商品表示；接着使用门控循环单元捕捉会话信息，并借助注意力机制强化会话靠后的项目，综合形成用户表示，最终获得实时推荐。模型在Yoochoose和Diginetica两个公开数据集上进行实验，获得了较好的表现，结果表明所提出的模型可以提高推荐准确性。

会话推荐是推荐系统的重要组成部分， 其对用户点击交互的商品、新闻、音乐等历史序列进行分析， 预测下一步点击的内容。会话推荐由于主要关注序列本身，不借助用户或项目的特征即可对该用户下一次点击的商品实现推荐或预测，有利于解决匿名用户推荐等问题，故在近几年备受关注[1]。

会话为用户在一段时间内访问电子商务等平台，依次点击商品的序列，本身不含用户或商品特征上下文，传统的协同过滤[2]、矩阵分解[3]等方法不适用处理会话信息。会话推荐的主要研究内容是如何分析用户的点击会话数据，设计合适的推荐算法，预测用户后续点击的内容。根据会话的时序特性，其建模一般使用马尔可夫链[4]或RNN (Recurrent Neural Network， 循环神经网络) [5]等方法处理， 以获得会话建模。然而，单纯的RNN 等结构难以处理用户随机点击问题；其次，各会话相对孤立，会话之间的信息未被充分挖掘。对于使用GNN (Graph Neural Network，图神经网络) [6]的会话推荐模型，其将所有的一维会话序列整合成一个二维图结构， 以刻画信息较为整体的向量表示。

虽然GNN 从整体的方式克服了会话的孤立性，但未能以个体的角度捕捉每个用户的兴趣变化，未能实现实时推荐，如某学生在考试前关注图书或文具类商品，考试后关注娱乐类商品等，且噪声商品问题仍待解决。

针对会话推荐中的用户行为随机、商品数据稀疏和推荐结果滞后等问题，本文提出一种融合了GNN和AM (Attention Mechanism，注意力机制)的会话推荐模型TGGA-SR，在充分利用会话数据的基础上实现准确推荐，并解决以下问题： 1) 用户行为随机性。为减少上述噪声商品对推荐结果的影响，模型根据用户点击相邻商品的时间间隔生成相对点击时间率， 参与商品关系依赖图的生成， 对很短时间连续点击的商品之间赋予较小的权重。

2) 商品数据稀疏性。针对会话推荐中用户或商品特征缺失的特点，模型首先通过生成商品关系依赖图建立商品之间的联系，然后使用多层GNN 进行向量表示，聚合多阶邻居节点信息。

3) 推荐结果滞后性。用户在不同时期会表现不同的兴趣偏好，点击的商品会发生变化。根据这一特点，用户下一步关注的商品与最后一次点击的商品有很大关联。模型结合GRU 和AM，对用户会话时间靠后的商品信息进行强化，形成实时推荐。