5、基于图神经网络的 MFIL 会话推荐模型解析

基于图神经网络的 MFIL 会话推荐模型解析

1. 任务定义

在会话推荐任务中，设会话 $S$ 内第 $i$ 个物品为 $v_s^i$，会话 $S$ 的长度为 $l$，用 $I = {i_s^1, i_s^2, …, i_s^l}$ 表示相应的辅助信息。每个物品的共现信息可表示为 $N = {N_{\epsilon}(v_s^1), N_{\epsilon}(v_s^2), …, N_{\epsilon}(v_s^l)}$，其中 $N_{\epsilon}(v_s^i)$ 表示 $v_s^i$ 在相邻会话中的共现物品。该任务的目标是预测用户在第 $(l + 1)$ 步可能交互的前 $N$ 个物品。

2. MFIL 模型概述

MFIL 模型主要包含三个组件：会话级物品表示学习模块、全局级物品表示学习模块和会话表示学习模块。会话级模块在会话图中结合辅助信息 $I$ 学习物品嵌入；全局级模块基于共现信息 $N$，从全局图中的相邻物品整合信息；会话表示学习模块通过聚合前两个学习模块的表示，生成会话的表示。

其整体框架流程如下：

graph LR
    A[给定会话] --> B[提取全局图和会话 s1 的邻居]
    B --> C[会话模块学习物品嵌入 Hl]
    B --> D[全局模块学习物品嵌入 Hg]
    C --> E[会话表示模块]
    D --> E[会话表示模块]
    E --> F[生成会话 s1 的表示 H]

3. 会话级物品表示学习模块