基于全局增强图神经网络的序列推荐

已有基于会话的推荐系统大多根据最后一个点击的项目与当前会话的用户偏好的相关性进行推荐，忽略了在其他会话中可能包含了与当前会话相关的项目转换，这些项目转换可能对用户的当前偏好也有一定的影响，因此需要从局部会话和整体会话的角度来综合分析用户偏好；并且这些推荐系统大多忽略了位置信息的重要性，而与预测位置越近的项目可能与当前用户兴趣的相关性越高。针对这些问题，提出一种基于全局增强的图神经网络的推荐模型(GEL-GNN)。GEL-GNN旨在根据所有会话预测用户的行为，它使用GNN来捕获当前会话的全局和局部之间的关系，使用LSTM来捕获全局层面会话间的关系。首先，通过注意力机制层将用户的偏好表示为基于全局层面和局部层面会话兴趣的组合；然后，使用反向位置信息衡量当前位置和预测位置之间的距离，以便更加准确地预测用户行为。在3个真实的数据集上进行了大量的实验，实验结果表明GEL-GNN优于现有的基于会话的图神经网络推荐模型。