Graph-Augmented Transformer Framework for Context-Aware Recommender Systems on Amazon E-Commerce Data

doi:10.32890/jict2026.25.2.3

Graph-Augmented Transformer Framework for Context-Aware Recommender Systems on Amazon E-Commerce Data

2026-04-01

0

PRE

AI

DOI：10.32890/jict2026.25.2.3

原文链接

原文求助

摘要

En 中文

推荐系统在提升电子商务平台用户体验和用户参与度方面发挥着关键作用。然而，传统的协同过滤和矩阵分解方法往往难以应对用户-物品交互数据稀疏的问题，并无法捕捉上下文细节。为解决这些局限性，本文提出了一种新颖的混合框架，该框架整合了图神经网络（GNNs）和基于Transformer的架构，用于上下文感知推荐。该框架首先通过用户交互和产品元数据构建动态二分图，使GNN能够学习反映用户偏好和物品相似性的关系嵌入。随后，这些嵌入与Transformer模块融合，该模块通过多头自注意力机制来建模用户行为序列中的时序和语义模式。我们提出了一种混合图增强Transformer框架用于上下文感知推荐，并在Amazon Reviews 2023数据集（57.1亿评论，5450万用户，4820万物品）上进行了评估。该模型整合了基于图的关联嵌入和基于Transformer的序列注意力机制。与LightGCN、SASRec和Bert4Rec基线相比，我们的方法在NDCG、召回率和冷启动条件下的鲁棒性方面均取得了显著提升。该框架具有可扩展性，适合实时部署，为下一代推荐系统提供了实用的蓝图。通过结合图基础的关联学习和注意力驱动的上下文建模，本研究为下一代推荐系统贡献了一种强大且灵活的解决方案。

Keyword:

Recommender systems

graph neural networks

context-aware recommendation

cold-start problem

e-commerce

Graph-Augmented Transformer Framework for Context-Aware Recommender Systems on Amazon E-Commerce Data

摘要

期刊

机构

引用论文