Dual Intent Enhanced Graph Neural Network for Session-based New Item Recommendation

要約

タイトル：Dual Intent Enhanced Graph Neural Network for Session-based New Item Recommendation（セッションベースの新アイテム推薦のための二重意図強化グラフニューラルネットワーク）

要約：

– レコメンドシステムは、eコマース、eラーニング、ストリーミングメディアなどの様々な分野で必要とされている。
– セッションベースの推薦に関して、現在のグラフニューラルネットワーク（GNN）は、ユーザーの履歴セッション内で既存のアイテムのみを推薦することができる。
– つまり、ユーザーが対話したことのない新しいアイテムを推薦することは困難で、情報の閉鎖現象を引き起こす。
– このため、新しいアイテムの推薦が必要であり、新しいアイテムとユーザーの間に対話がないため、GNNベースのセッションベースの推薦システムでは、セッショングラフを構築するときに新しいアイテムを含めることができず、新しいアイテムの推薦が難しい。
– この問題に対処するために、二重意図を強化したグラフニューラルネットワークを提案する。
– 新しいアイテムは履歴セッションに結びつかないため、ユーザーの意図を予測することは困難であるが、アテンションメカニズムと履歴データの分布からユーザーの意図を学習する二重意図ネットワークを設計し、新しいアイテムと対話しているユーザーの意思決定プロセスをシミュレートする。
– GNNは新しいアイテムを学習できないため、ゼロショット学習（ZSL）に触発され、属性を使用してGNN空間で新しいアイテム表現を推測する。
– 対応するアイテムの推薦スコアを含む新しいアイテムの確率を出力し、スコアが高い新しいアイテムをユーザーに推薦する。
– 2つの代表的な実世界データセットでの実験により、提案された手法の優位性が示された。
– 実世界のケーススタディから、二重意図モジュールと新しいアイテム推論モジュールによってもたらされる解釈性の利点が確認された。
– コードはGithubで入手可能。

要約(オリジナル)

Recommender systems are essential to various fields, e.g., e-commerce, e-learning, and streaming media. At present, graph neural networks (GNNs) for session-based recommendations normally can only recommend items existing in users’ historical sessions. As a result, these GNNs have difficulty recommending items that users have never interacted with (new items), which leads to a phenomenon of information cocoon. Therefore, it is necessary to recommend new items to users. As there is no interaction between new items and users, we cannot include new items when building session graphs for GNN session-based recommender systems. Thus, it is challenging to recommend new items for users when using GNN-based methods. We regard this challenge as ‘\textbf{G}NN \textbf{S}ession-based \textbf{N}ew \textbf{I}tem \textbf{R}ecommendation (GSNIR)’. To solve this problem, we propose a dual-intent enhanced graph neural network for it. Due to the fact that new items are not tied to historical sessions, the users’ intent is difficult to predict. We design a dual-intent network to learn user intent from an attention mechanism and the distribution of historical data respectively, which can simulate users’ decision-making process in interacting with a new item. To solve the challenge that new items cannot be learned by GNNs, inspired by zero-shot learning (ZSL), we infer the new item representation in GNN space by using their attributes. By outputting new item probabilities, which contain recommendation scores of the corresponding items, the new items with higher scores are recommended to users. Experiments on two representative real-world datasets show the superiority of our proposed method. The case study from the real-world verifies interpretability benefits brought by the dual-intent module and the new item reasoning module. The code is available at Github: https://github.com/Ee1s/NirGNN

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI