다중 행동 추천을 위한 지식 강화 계층 그래프 변환기 네트워크

정확한 사용자 및 항목 임베딩 학습은 현대 추천 시스템에 필수적입니다. 그러나 대부분의 기존 추천 기술은 현재까지 단일 유형의 사용자-항목 상호작용에 대한 사용자의 선호 모델링에 집중해 왔습니다. 많은 실제 추천 시나리오는 다중 유형의 사용자 상호작용 행동(예: 페이지 뷰, 즐겨찾기 추가 및 구매)을 포함하며, 이는 현재 추천 솔루션으로 처리할 수 없는 고유한 도전을 제시합니다. 특히: i) 서로 다른 유형의 사용자 행동 간의 복잡한 상호 의존성; ii) 다중 행동 추천 프레임워크에 지식 인식 항목 관계의 통합; iii) 다중 유형 사용자-항목 상호작용의 동적 특성. 이러한 도전에 대응하기 위해, 본 연구는 추천 시스템 내에서 사용자와 항목 간의 다중 유형 상호작용 패턴을 조사하기 위해 지식 강화 계층 그래프 변환기 네트워크(KHGT)를 제안합니다. 구체적으로, KHGT는 i) 유형별 행동 의미를 포착할 수 있는 그래프 구조 신경 아키텍처에 기반하여 구축됩니다; ii) 목표 행동에 대한 예측 작업을 지원하는 데 더 중요한 사용자-항목 상호작용 유형을 명시적으로 구별합니다. 또한, 다양한 양식 시각적 주의 레이어와 시간적 인코딩 전략을 통합하여 학습된 임베딩이 전용 다중 사용자-항목 및 항목-항목 협력 관계와 기본 상호작용 역학을 반영하도록 강화합니다. 세 가지 실제 데이터 세트에서 수행된 광범위한 실험은 KHGT가 다양한 평가 설정에서 많은 최첨단 추천 방법을 일관되게 초월함을 보여줍니다. 우리의 구현은 https://github.com/akaxlh/KHGT에서 사용할 수 있습니다.