因果和相关图建模用于有效和可解释的基于会话的推荐
摘要：基于会话的推荐是近年来备受关注的研究领域，其主要目标是根据匿名的会话预测用户下一个感兴趣的项目。现有的研究大多采用复杂的深度学习技术（例如图神经网络）来进行有效的基于会话的推荐。然而，这些方法仅仅考虑了项目之间的共现关系，而没有很好地区分因果关系和相关关系。考虑到项目之间因果关系和相关关系的多样性解释和特点，本研究提出了一种新的方法，称为CGSR，通过共同建模项目之间的因果关系和相关关系。具体而言，我们通过同时考虑错误因果问题，从会话中构建因果、效应和相关性图。我们进一步设计了一种基于图神经网络的基于会话的推荐方法。总之，我们努力探索项目之间的关系，从“因果”（有向）和“相关性”（无向）的特定角度进行研究。在三个数据集上的大量实验证明，我们的模型在推荐准确性方面优于其他最先进的方法。此外，我们进一步提出了一个关于CGSR的可解释性框架，并通过亚马逊数据集上的案例研究证明了我们模型的可解释性。
作者：Huizi Wu, Cong Geng, and Hui Fang
论文ID：2201.10782
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-05-18