论文链接：https://dl.acm.org/doi/pdf/10.1145/3459637.3482443

本文是图神经网络应用于序列推荐方向的文章，利用图神经网络挖掘用户和item之间的动态时序关系，主要包含以下创新点：

  • 本文提出时间切片的图神经网络，从全局角度对丰富且高阶的用户-item交互进行建模，以获得更好的动态用户和项目表示。

  • 将连续时间片的时序预测整合到整个模型中，以此捕获细粒度的时间信息。

如图所示为所提方法DRL-SRe的整体框架图，时间切片的图神经网络用于从序列数据中学习user和item的表征。将从时间序列中得到的表征和静态表征结合后用于预测。

本文针对序列推荐问题，一方面，将历史行为序列等时间间隔地划分为多个时间片，然后通过GNN对每个时间片进行信息传播，并且针对不同层得到的表征利用GRU融合（这部分作者是试验出来的），针对不同时间片的表征采用GRU进行融合（这部分是因为时间片本身是时序数据）；另一方面，作者采用时序点建模方法，对历史行为序列的时间信息进行建模。

内容中包含的图片若涉及版权问题，请及时与我们联系删除