典型文献
融合全局信息的注意力增强会话推荐方法
文献摘要：
近年来,基于会话推荐系统(session-based recommender system,SRS)的应用和研究是推荐系统的一个热门方向.如何利用用户会话信息进一步提升用户满意度和推荐精确度,是基于会话推荐系统的主要任务.目前大多数SBR模型仅基于目标会话对用户偏好建模,忽略了来自其他会话的物品转换信息,导致无法全面了解用户偏好.为了解决其局限性,提出融合全局上下文信息注意力增强的图神经网络模型(global context information graph neural networks for session-based recommendation,GCI-GNN).该模型利用所有会话上的物品转换关系,更准确地获取用户偏好.具体而言,GCI-GNN从目标会话和全局会话学习物品向量表示.使用位置感知注意网络,将反向位置信息纳入物品嵌入中.考虑会话长度信息学习用户表示进而达到更有效的推荐.在Diginetica和Yoochoose数据集上进行实验,实验结果表明,相对最优的基准模型,GCI-GNN模型在Diginetica数据集各项指标上的提高超过2个百分点,在Yoochoose数据集上,GCI-GNN模型在各项指标上的提高超过1个百分点,验证了GCI-GNN模型的有效性.
文献关键词：
会话的推荐;图神经网络;用户兴趣;注意力网络
中图分类号：
作者姓名：
王永贵;王阳;陶明阳;蔡永旺
作者机构：
辽宁工程技术大学 电子与信息工程学院,辽宁 葫芦岛 125105
文献出处：
引用格式：
[1]王永贵;王阳;陶明阳;蔡永旺-.融合全局信息的注意力增强会话推荐方法)[J].计算机工程与应用,2022(21):131-141
A类：
B类：
全局信息,注意力增强,推荐方法,基于会话推荐,推荐系统,session,recommender,system,SRS,用用,用户满意度,主要任务,SBR,标会,用户偏好,全局上下文信息,图神经网络,global,context,information,graph,neural,networks,recommendation,GCI,GNN,转换关系,取用,向量表示,位置感知,注意网络,位置信息,信息学习,习用,Diginetica,Yoochoose,高超,百分点,会话的推荐,用户兴趣,注意力网络
AB值：
0.378437
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
