SPGL: Enhancing Session-based Recommendation with Single Positive Graph Learning

要約

セッションベースのレコメンデーションは、ユーザーのインタラクションシーケンスに基づいて、ユーザーが次に興味を持つであろうアイテムを予測しようとします。
インタラクション データが限られているため、セッションベースのレコメンデーションは、利用可能なデータが限られているという課題に直面しています。
従来の方法では、複雑なモデルを構築して正のサンプルと負のサンプルを生成することで特徴学習を強化します。
この論文では、データの希薄性、高いモデルの複雑さ、弱い転送可能性の問題に対処するために、Single Positive 最適化損失とグラフ学習 (SPGL) を使用したセッションベースの推奨モデルを提案します。
SPGL は、グラフ畳み込みネットワークを利用してグローバル アイテム表現とバッチ セッション表現を生成し、アイテム間の本質的な関係を効果的にキャプチャします。
単一の正の最適化損失を使用すると、項目表現の均一性が向上し、それによって推奨の精度が向上します。
インテント エクストラクターでは、空間情報を完全に統合するために有向グローバル グラフを構築するときに、SPGL は隣接行列のホップ カウントを考慮します。
また、時間情報を組み込むセッション表現を構築するときに、アイテムの逆の位置情報も考慮されます。
Tmall、RetailRocket、Diginetica の 3 つのベンチマーク データセットにわたる比較実験により、モデルの有効性が実証されました。
ソース コードは https://github.com/liang-tian-tian/SPGL でアクセスできます。

要約(オリジナル)

Session-based recommendation seeks to forecast the next item a user will be interested in, based on their interaction sequences. Due to limited interaction data, session-based recommendation faces the challenge of limited data availability. Traditional methods enhance feature learning by constructing complex models to generate positive and negative samples. This paper proposes a session-based recommendation model using Single Positive optimization loss and Graph Learning (SPGL) to deal with the problem of data sparsity, high model complexity and weak transferability. SPGL utilizes graph convolutional networks to generate global item representations and batch session representations, effectively capturing intrinsic relationships between items. The use of single positive optimization loss improves uniformity of item representations, thereby enhancing recommendation accuracy. In the intent extractor, SPGL considers the hop count of the adjacency matrix when constructing the directed global graph to fully integrate spatial information. It also takes into account the reverse positional information of items when constructing session representations to incorporate temporal information. Comparative experiments across three benchmark datasets, Tmall, RetailRocket and Diginetica, demonstrate the model’s effectiveness. The source code can be accessed on https://github.com/liang-tian-tian/SPGL .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google