我院自然语言处理与智能软件研究团队在中科院二区 Top期刊Neurocomputing发表研究成果

近日，我院自然语言处理与智能软件研究团队（简称：NLP团队）2020级研究生池俊龙同学（该生已经于2023年7月顺利毕业）在导师曾碧卿教授和团队老师陈炳志研究员的指导下，在SCI期刊Neurocomputing（中科院二区Top，影响因子：6.0）发表研究成果“Context-aware graph embedding with gate and attention for session-based recommendation”。本论文于2023年6月23日在毕业前夕投稿，2023年12月30日正式接收，近日该论文已经在线发表。

基于会话的推荐算法（session-based recommendation, SBR）是一种用于个性化推荐系统的方法，它考虑了用户在一个特定会话（例如一次购物、浏览或搜索会话）中的行为和偏好。先前的SBR方法主要受到两个问题的限制：（1）仅关注了物品的转换关系或序列信息，没有进一步整合物品的转换关系和序列信息；（2）仅关注当前会话的内部信息，忽略了与当前会话有相似用户意图和用户行为的相邻会话信息，即上下文信息。为了克服这些问题，本论文提出了一种新颖的上下文感知的图嵌入网络（CGENet），它不仅可以有效地利用每个会话中序列模式和转换模式之间的协作关系，还可以从不同会话之间的拓扑上下文模式中提取更深层次的用户偏好信息。具体而言，论文所提出的CGENet包括三个不同的部分，即转换模式学习（TPL）模块、序列模式学习（SPL）模块和上下文模式学习（CPL）模块。首先，TPL模块建立在具有多元信息高速公路的图同构网络（GIN）上，以捕获物品之间的高阶转换关系。接着，为了高效地捕获物品的顺序位置信息，在 SPL 模型中引入了门控多层感知机（gMLP），以建模会话序列中物品之间的长期依赖关系。最后，在CPL模块中设计了一个上下文感知的图注意力网络（CA-GAT），进一步探索来自相邻会话中丰富的拓扑上下文信息，从而帮助模型更有效地预测用户行为偏好，增强模型的个性化推荐性能。论文在三个基准数据集进行了广泛的实验。实验结果表明，与最先进的基线模型相比，本论文所提出的CGENet在推荐效果上具有显著优势。

CGENet模型总体流程图如下图所示：

本论文的创新点总结如下：

1）本文在SBR领域提出了一种新的范式，可以有效地将每个会话中的转换序列模式与来自不同会话的拓扑上下文模式相结合，以增强个性化推荐能力。

2）通过在模型的初始阶段引入一些精心设计的组件，即GIN、多信息高速公路和gMLP，论文所提出的CGENet获得了最大化每个会话中序列和转换模式之间协作关系的能力。

3）由于具有最相似的K个最近邻会话的拓扑上下文图，CGENet可以充分探索来自邻近会话的上下文信息，从而获取更多互补和细粒度的与用户兴趣相关的信息。

4）本论文所提出的CGENet在包括Diginetica、Retailrocket和Yoochoose三个大规模基准数据集上进行了评估。实验结果表明，论文所提出的 CGENet在所有对比实验上都能取得优于现有最先进方法的性能。

本论文的研究得到了广东省基础与应用基础研究基金项目、广东省普通高校人工智能重点领域专项项目、广州市基础研究计划和基础与应用基础研究项目的资助。 

论文下载链接：https://authors.elsevier.com/c/1iTXP3INukOW19 

撰稿：池俊龙

审稿：陈锦辉