Temporal Graph Contrastive Learning for Sequential Recommendation

doi:10.1609/aaai.v38i8.28789

Temporal Graph Contrastive Learning for Sequential Recommendation

2024-03-24

0

OA

AI

DOI：10.1609/aaai.v38i8.28789

原文链接

原文求助

摘要

En 中文

序列推荐是理解用户演变兴趣并预测其未来行为的关键任务。尽管现有基于序列或图建模的方法在用户交互序列学习方面已展现出有前景的性能，但如何有效利用时间信息并处理用户行为演变中的不确定性噪声仍然极具挑战性。为此，本文提出了一种面向序列推荐的时序图对比学习方法（TGCL4SR），该方法不仅利用局部交互序列，还利用全局时序图来理解物品关联性并从时序角度分析用户行为。具体而言，我们首先设计了一种时序物品转移图（TITG），以充分利用全局交互来理解物品关联性，并通过基于邻居采样和时间干扰的双变换增强该图。相应地，我们设计了时序物品转移图卷积网络（TiTConv）来捕捉TITG中的时序物品转移模式。然后，设计了一种新颖的时序图对比学习（TGCL）机制，以增强来自相同序列的增强图之间的表示一致性。对于局部交互序列，我们设计了一个时序序列编码器，将时间间隔嵌入整合到Transformer架构中。在训练阶段，我们采用最大均值差异和TGCL损失作为辅助目标。在多个真实数据集上的广泛实验表明，TGCL4SR在序列推荐任务上显著优于当前最先进的方法。

Temporal Graph Contrastive Learning for Sequential Recommendation

摘要

期刊

机构

引用论文