Star Graph Neural Networks for Session-based Recommendation

Person

Files & media

Journal / Conference

CIKM

Progress

Not started

URL

https://staff.fnwi.uva.nl/m.derijke/wp-content/papercite-data/pdf/pan-2020-star.pdf

Year

2020

비고

Abstract

We propose Star Graph Neural Networks with Highway Networks (SGNN-HN) for session-based recommendation.

The proposed SGNN-HN applies a star graph neural network (SGNN) to model the complex transition relationship between items in an ongoing session.

To avoid overfitting, we employ highway networks (HN) to adaptively select embeddings from item representations.

Finally, we aggregate the item embeddings generated by the SGNN in an ongoing session to represent a user’s final preference for item prediction.

Experiments on two public benchmark datasets show that SGNN-HN can outperform state-of-the-art models in terms of P@20 and MRR@20 for session-based recommendation.

요약

•

기존 그래프 기반 session rec 모델의 문제점?

인접 노드 정보밖에 받아올 수 없다

정보 blending 과정에서 오버피팅이 너무 심하다

•

해결 방안

SGNN 적용: star 노드를 통해 직접 연결이 없는 아이템들 간에도 정보를 교환할 수 있음

•

star node: 세션 당 할당되는 가운데 노드

•

satelite node: 일반 노드(아이템 노드)

•

satelite node update:

◦

주변 satelite node에 대한 일반 GNN에서와 유사한 정보 교환

◦

+ star node의 정보를 attention 메커니즘에 기반해 (본인과 star가 유사한 정도만) 반영 (Gating)

•

star node:

◦

기존 star node와 주변 satelite 노드들 간의 attention 기반, satelite 노드들의 가중합으로 업데이트

Highway Network 적용: 오버피팅 막기 위해, L개의 SGNN 이후 최종 임베딩에 초기 임베딩을 추가 반영

attention 사용해 세션 내 최종 아이템 임베딩들로부터 세션 임베딩 도출

•

local embedding: 마지막 상호작용한 아이템의 최종 임베딩

•

global embedding: star node, local embedding과 각 아이템 임베딩의 어텐션 스코어 기반 가중합

•

최종 임베딩: concat(local,global) 이후 linear trans-

결론: SOTA for Diginetica / yoochoose dataset