模式识别与人工智能
2025年4月4日 星期五   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2024, Vol. 37 Issue (3): 191-206    DOI: 10.16451/j.cnki.issn1003-6059.202403001
基于图神经网络的推荐系统 最新目录| 下期目录| 过刊浏览| 高级检索 |
循环神经网络和注意力增强的门控图神经网络会话推荐模型
李伟玥1,2, 朱志国1,2, 董昊1,2, 姜盼1,2, 高明1,2
1.东北财经大学 管理科学与工程学院 大连 116025;
2.东北财经大学 辽宁省大数据管理与优化决策重点实验室大连 116025
Recurrent Neural Network and Attention Enhanced Gated Graph Neural Network for Session-Based Recommendation
LI Weiyue1,2, ZHU Zhiguo1,2, DONG Hao1,2, JIANG Pan1,2, GAO Ming1,2
1. School of Management Science and Engineering, Dongbei Uni-versity of Finance and Economics, Dalian 116025;
2. Key Laboratory of Liaoning Province for Data Analytics and Decision-Marking Optimization, Dongbei University of Finance and Economics, Dalian 116025

全文: PDF (1266 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 现有大部分基于图神经网络的会话推荐系统都可较好捕捉商品在会话图中的近邻上下文关系,但少有重点关注时序关系的系统.然而,这两种关系都对电商场景下的精准推荐具有重要作用.为此,文中基于双向长短期记忆网络和门控图神经网络,提出循环神经网络和注意力增强的门控图神经网络会话推荐模型,旨在实现不同网络结构的优势互补,充分学习用户在当前会话中表现的兴趣偏好.具体地,文中模型采用并行化框架结构,分别学习电商场景下用户会话点击流中商品间的近邻上下文特征和时序关系,再分别使用注意力机制进行去噪处理,最后基于门控机制实现这两种特征间的自适应融合.在3个真实数据集上的实验表明文中模型的性能较优.文中模型代码见https://github.com/usernameAI/RAGGNN.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
李伟玥
朱志国
董昊
姜盼
高明
关键词 会话推荐系统图神经网络循环神经网络注意力机制    
Abstract:Most of existing session-based recommender systems with graph neural networks are capable of capturing the adjacent contextual relation of products effectively in the session graph. However, few of them focus on the sequential relation. Both relations are important for precise recommendations in e-commerce scenarios. To solve the problem, a recurrent neural network and attention enhanced gated graph neural network for session-based recommender system is proposed based on bidirectional long short-term memory. The model is designed to complement the advantages of different network structures and learn the user's interest preferences expressed during the current session more fully. Specifically, a parallel framework is adopted in the proposed model to learn the neighborhood contextual features and temporal relation among products respectively within user session clickstreams in e-commerce scenarios. Attention mechanisms are applied to denoise the features. Finally, the adaptive fusion method of both features is employed based on gating mechanism. Experiments on three real-world datasets show the superiority of the proposed model. The model code in the paper is available at https://github.com/usernameAI/RAGGNN.
Key wordsSession-Based Recommendation System    Graph Neural Network    Recurrent Neural Network    Attention Mechanism   
收稿日期: 2023-10-12     
ZTFLH: TP 391.3  
基金资助:国家自然科学基金面上项目(No.72172025,72101051,71802023)、教育部人文社科规划基金项目(No.21YJAZH130)、辽宁省教育厅基本科研项目 (No.LJKMZ20221606)资助
通讯作者: 朱志国,博士,教授,主要研究方向为数据挖掘、商务智能.E-mail: zhu_zg@dufe.edu.cn.   
作者简介: 李伟玥,博士研究生,主要研究方向为推荐系统.E-mail: dufe_phd_stu@stumail.dufe.edu.cn. 董 昊,博士研究生,主要研究方向为商务智能、推荐系统.E-mail: donghao@stumail.dufe.edu.cn. 姜 盼,博士研究生,主要研究方向为电子商务、商务智能.E-mail: 963942643@qq.com. 高 明,博士,教授,主要研究方向为云计算、大数据、人工智能.E-mail: gm@dufe.edu.cn.
引用本文:   
李伟玥, 朱志国, 董昊, 姜盼, 高明. 循环神经网络和注意力增强的门控图神经网络会话推荐模型[J]. 模式识别与人工智能, 2024, 37(3): 191-206. LI Weiyue, ZHU Zhiguo, DONG Hao, JIANG Pan, GAO Ming. Recurrent Neural Network and Attention Enhanced Gated Graph Neural Network for Session-Based Recommendation. Pattern Recognition and Artificial Intelligence, 2024, 37(3): 191-206.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.202403001      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2024/V37/I3/191
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn