一种统一的超图框架，用于基于会话的社交推荐中的会话间和会话内动态分析

《IEEE Transactions on Big Data》：A Unified Hypergraph Framework for Inter and Intra-Session Dynamics in Session-Based Social Recommendations

　　session-based推荐中存在单会话局限、超边位置信息缺失等问题，本文提出基于异构超图神经网络的统一框架，整合多会话、社交网络和物品的复杂关系，利用图注意力机制增强用户兴趣表示，在三个数据集上验证优于传统推荐模型。

　　

摘要：

由于用户交互的动态性和时间性，基于会话的推荐在社交媒体平台中变得越来越重要。图神经网络（Graph Neural Networks, GNN）在这些系统中的使用也日益增加，因为它们擅长整合节点信息和结构拓扑。然而，当前使用图的推荐方法主要关注单个会话内的推荐，忽略了不同会话之间更为复杂的依赖关系。这种忽视限制了推荐准确性的提升。此外，现有的基于GNN的方法通常只关注简单的二元连接，未能捕捉现实世界中复杂且异质的交互情况。另一个显著的问题是超图（hypergraph）中超边（hyperedge）的节点位置信息缺失。因此，不同的项目顺序可能导致相同的超边，这限制了精确的会话向量表示的构建。本文提出了一个统一的框架，利用异构超图神经网络来解决基于会话的社交推荐中的这些问题。该框架利用超图来描述会话、社交网络和项目之间的复杂多变量关系，同时解决了超边歧义的问题，并保持了数据的顺序性。该方法包括创建一个链接图（linkage graph）和一个会话-项目图（session-item graph），有助于识别不同会话中的相似用户意图以及单个会话内的潜在行为模式。此外，该框架还利用图注意力网络（Graph Attention Network, GAT）来整合用户及其连接中的社交信息，从而改善了用户兴趣的表示。在三个数据集上的实证评估表明，我们提出的模型优于流行的推荐模型，这强调了其在基于会话的社交推荐中准确捕捉用户偏好和行为方面的有效性。

显示更多

引言

过去三十年里，社交网络网站的迅猛发展导致了用户生成数据和连接量的空前增长，例如文章分享、评论帖子、点赞照片以及建立友谊等。这些海量数据使得推荐系统比以往任何时候都更加重要，帮助用户在这些海量信息中导航并发现相关内容[1]。传统上，推荐系统侧重于明确的用户-项目交互。然而，这些方法难以捕捉用户在动态环境中的变化和细微偏好。鉴于用户、项目及其社交关系之间的复杂交互，需要先进的建模技术来准确表示这些情境下的用户行为。