Denoising Multi‐Level Preference Learning para Recomendação Baseada em Sessão Orientada para Interesses Locais

RESUMO A recomendação baseada em sessão (SBR) é uma parte importante dos sistemas de recomendação modernos. Ela pode modelar as preferências dos usuários sem perfis de usuários de longo prazo. Isso é útil em cenários com usuários anônimos ou comportamentos de usuários em rápida mudança. Nesses casos, os históricos de longo prazo estão ausentes ou são pouco confiáveis. No entanto, a SBR ainda enfrenta vários desafios. Métodos baseados em grafos têm dificuldade em capturar os interesses multilayer e diversos dos usuários. Mudanças de interesse também introduzem ruído dentro das sessões e entre as sessões. Também é difícil modelar a intenção imediata de um usuário enquanto se mantém interesses locais estáveis. Propomos o Denoising Multi‐Level Preference Learning para Rede Neural Gráfica Orientada para Interesses Locais (DMPL‐GNN) para resolver esses problemas. O modelo tem três partes principais. Primeiro, projetamos um módulo de gráfico adaptativo com redes residuais convolucionais. Ele aprende interesses locais finamente detalhados. Em segundo lugar, adicionamos um nó-alvo e combinamos a convolução gráfica com a atenção esparsa. Isso constrói uma representação estável dos interesses globais. Em terceiro lugar, projetamos um módulo de fusão de intenção. Ele trata o interesse local como o fator principal para a geração de recomendações. Experimentos em conjuntos de dados do mundo real mostram que o DMPL‐GNN tem desempenho melhor do que os métodos existentes. Estudos de ablação também provaram a utilidade de cada módulo. Nosso trabalho oferece novas ideias para melhorar a recomendação baseada em sessão. Nosso código está disponível em https://github.com/csgii/DMPL‐GNN/tree/main.