.png){kind=icon}
返回
Collaborative local-global context modeling for session-based recommendation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ipm.2025.104196.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于会话的推荐系统（SBRSs）通过分析用户交互来预测会话中的下一个项目。尽管现有方法强调项目间的序列关系，但它们常常忽视能够凸显用户偏好微妙变化的时间信息。这一差距可能限制其适应动态用户行为的能力，而近期进展尚未有效整合序列和非序列项目转换，可能导致模型偏差。为解决这些局限性，本文提出Coase，一种新颖的SBRS模型，它统一了局部和全局上下文建模以捕捉精细化的动态用户偏好。Coase将会话序列转化为会话星图，采用双向门控图自注意力网络进行局部上下文建模，并通过解耦注意力和稳定特征融合引入SudokuFormer，以在全局会话上下文中建模时间感知的序列转换。随后利用三重注意力机制充分整合局部和全局上下文特征。在四个公开数据集上进行的全面实验表明，Coase在Top 5、10、15和20个项目上，Recall提升了1.71%-1.83%，Mean Reciprocal Rank（MRR）提升了2.73%-2.80%，Normalized Discounted Cumulative Gain（NDCG）提升了2.32%-2.43%。消融研究验证了Coase框架及其组件的有效性，而附加分析考察了会话长度的影响，可视化研究则展示了多样的注意力模式。本研究为SBRS贡献了一种新颖方法，在推荐准确性和用户体验方面提供了有前景的进步。
Keyword:
Session-based recommendation
Collaborative effect
Graph neural network
Disentangled attention
期刊
I
IF:
6.9
论文数:
5.2K
被引数:
1.4W
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Dynamic intent-aware iterative denoising network for session-based recommendation面向会话推荐的动态意图感知迭代去噪网络
PREAI
分享收藏分享收藏分享收藏
查看更多内容