基于会话的推荐系统中的增强对比度异构多视图图谱：通过子序列单元实现

《Engineering Applications of Artificial Intelligence》：Contrast-enhanced heterogeneous multi-view graph for session-based recommendation via subsequence units

提出CHMGSU模型，通过单视图图注意力网络和异构多视图图神经网络结合，利用子序列单元捕捉用户动态偏好，结合对比控制门和样本自适应损失优化推荐效果，实验验证其优于现有方法。

　　

杨帆|李杰|张硕|彭敦路|徐一鸣|陈楠

南通大学电气工程与自动化学院，中国南通226019

摘要

基于会话的推荐系统旨在根据会话内项目之间的依赖关系捕捉用户的短期动态偏好，然后预测用户最有可能互动的下一个项目。目前，会话序列通常被建模为单视图结构，这些结构侧重于学习单个项目之间的交互。然而，这些方法缺乏丰富的上下文信息，难以从更高维度理解用户的意图。为了更好地利用上下文之间的关联，本文提出了一种基于对比增强的异构多视图图谱（CHMGSU）的会话推荐方法。该模型同时将序列建模为单视图和异构多视图结构：单视图图在单个项目层面构建，用于学习项目间的信息传递；而异构多视图图则利用连续多个项目来更好地理解用户的高维意图。混合读出函数用于提取子序列的意图，并捕捉与上下文相关的关系。接下来，采用单视图图注意力网络和异构多视图图神经网络生成项目级和子序列级的嵌入。通过融合这两种类型的信息，形成了包含不同视角信息的会话级嵌入。预测结果通过样本自适应损失函数和对比控制门进行优化。此外，CHMGSU使用了Tmall、Gowalla、Diginetica和Nowplaying数据集来验证模型在不同类型数据集上的有效性，实验结果表明CHMGSU相较于现有基线模型取得了显著的改进。

引言

随着互联网的快速发展以及数字信息的爆炸性增长，大量数据涌入人们的生活（Xia等人，2021a；Naz等人，2024c）。为了帮助用户从这些海量信息中发现和获取他们想要的内容，推荐系统应运而生。这些系统通过分析用户的历史行为来构建用户模型，并提供个性化的推荐服务。基于会话的推荐（SBR）是一种新兴的推荐范式，它不同于顺序推荐（Wang等人，2022c；García-Restrepo等人，2023）。其目标是通过分析会话内项目之间的依赖关系来捕捉用户的短期动态偏好（Wang等人，2022a；Díaz等人，2025），并准确预测用户最有可能互动的下一个项目。

随着技术的进步和对推荐服务需求的增加，SBR的相关方法（Yuan等人，2022；Naz等人，2025a；Naz等人，2025d）也在不断扩展和改进。最初，传统推荐方法被广泛使用。然而，基于深度学习的SBR方法（Choi等人，2021；Naz等人，2025c）逐渐兴起并取得了显著成果。最近，基于图神经网络（GNNs）的SBR方法（Li等人，2022a；Naz等人，2025b）也受到了广泛关注。这些方法有助于推荐系统更好地理解用户的兴趣和行为模式，从而提升会话推荐服务。传统方法和深度学习方法统称为基于序列的方法，它们都将会话视为序列来预测用户的下一个可能选择。马尔可夫链（MC）方法利用会话中的最后一个项目来预测用户的下一个动作，但主要依赖于当前项目，忽略了会话中的历史信息。为了更好地理解用户行为和兴趣的变化，一些模型如GRU4Rec（Hidasi等人，2016；Butt等人，2024）、CSRM（Wang等人，2019；Naz等人，2024b）和HRNN（Quadrana等人，2017；Urina-Triana等人，2024）分别采用了循环神经网络（RNN）、门控循环单元（GRU）和长短期记忆（LSTM）方法。这些方法能够保留会话序列中的时间依赖性，并将历史信息传递到下一个时间步，从而提供更准确和个性化的会话推荐。为了区分序列中项目的重要性，注意力机制（Wang等人，2022b；Naz等人，2024a；Jiménez-Cabas等人，2025）被引入到SBR领域，以进一步突出用户感兴趣的部分。除了基于序列的方法外，基于图的结构方法还将会话序列建模为图，通过GNN学习项目间的交互关系。图结构可以应用于单个会话中，考虑会话内项目之间的关系；也可以应用于跨会话的场景，研究多个会话中项目之间的关系，从而扩大项目影响的范围。

然而，大多数现有方法在构建图结构时通常采用单视图方法，即把每个项目视为独立的个体。这些方法可能会引入信息偏差，因为它们仅依赖于两个项目之间的关系，而未能从更高维度整合用户的意图。图1说明了高维意图的概念。以一个会话（“行李箱”、“笔记本电脑”、“盒装纸巾”）为例，如果只关注最后一个项目“盒装纸巾”，则合理的建议可能是推荐“卷纸”。同样，如果考虑长度为2的子序列，“笔记本电脑”和“盒装纸巾”的上下文表明用户可能更需要办公用品，因此推荐“台灯”会是一个好的建议。此外，当考虑所有三个项目（“行李箱”、“笔记本电脑”、“盒装纸巾”）时，用户的意图明显发生变化，因为他们可能在准备旅行，“背包”会是一个更合适的推荐。来自不同长度会话的信息可以揭示不同的用户意图，如果能够从更高维度全局理解用户的兴趣，将有助于提供更好的推荐。尽管一些方法如MSGIFSR（Guo等人，2022a）和Atten-Mixer（Zhang等人，2023）也考虑了从不同粒度会话中学习，但它们仅在局部会话内操作，无法从全局上下文中获取丰富信息。此外，LCAUIS（Yang等人，2024）采用滑动窗口方法来学习超边意图，但超图结构往往更容易受到数据稀疏性的影响。

为了解决上述问题，我们提出了一种基于对比增强的异构多视图图谱方法，称为CHMGSU。与强调项目级依赖关系的先前方法不同，我们的模型将多个连续项目视为一个单元，并在子序列层面进行学习。它通过子序列探索用户意图，而不仅仅是关注项目之间的直接关系。此外，子序列中的项目数量可以动态调整，从而探索不同长度子序列对推荐性能的影响。

需要强调的是，所提出的方法代表了一种渐进但有意义的进步，而不是对现有工作的革命性突破。与结合卷积神经网络（CNN）、LSTM和注意力机制的现有混合方法相比，我们的方法的不同之处在于它明确地在全局会话中实现了异构多视图建模，而不仅仅是在单个会话内应用注意力。此外，通过联合利用子序列级学习、多视图图和对比控制门，我们的模型提供了一个系统框架，用于捕获传统架构难以学习的层次化和互补信息。具体来说，CHMGSU设计了一个混合读出函数来获取子序列的意图。单视图图注意力网络（SV-GAT）和异构多视图图神经网络（HMV-GNN）被用来在不同层面学习项目信息。随后，这两种类型的信息被融合以生成包含来自不同视图结构特征的项目嵌入表示，然后与最近点击的项目结合形成会话级嵌入表示。对比控制门用于计算两级向量，样本自适应损失被引入以适应性地减少样本质量对推荐结果的影响。最后，我们通过计算所有项目的推荐概率来推断用户最有可能互动的下一个项目。

总之，本工作的主要贡献总结如下：

• •
  引入了单视图和异构多视图框架，提供了更丰富的上下文信息。SV-GAT专注于学习单个项目之间的交互信息，而HMV-GNN旨在学习异构多视图内子序列之间的相互关系。
• •
  采用混合读出函数来融合相应子序列单元中每个项目的意图，同时考虑了顺序不变和顺序敏感的意图。此外，样本自适应损失函数区分了会话中项目的权重，对比控制门增强了模型的拟合能力。
• •
  在包括Tmall、Gowalla、Diginetica和Nowplaying在内的真实世界数据集上进行了广泛实验，证明每个组件都对整体性能有显著贡献。这些结果从实证上验证了多视图建模不仅在概念上直观，在实际应用中也优于传统的基于项目级别的建模。

本文的其余部分安排如下。第2节详细介绍了相关工作。第3节在定义了要解决的问题后，提出了CHMGSU模型并详细描述了其实现。第4节提供了实验结果和相关分析，第5节总结了整个工作并概述了未来的工作方向。

相关研究

相关工作

近年来，基于会话的推荐（SBR）受到了学术界的广泛关注。在本节中，我们将从三个方面进行具体介绍：基于序列的方法、图神经网络和异构图。

方法论

在本节中，基于本文要解决的问题定义，我们详细描述了CHMGSU的整体框架及其各个部分的机制。本工作中使用的符号在表1中有所说明。

实验

在本节中，通过回答以下问题来验证CHMGSU模型的有效性：

• •
  RQ1： CHMGSU在三个数据集上的表现是否优于其他现有的基线模型？
• •
  RQ2： CHMGSU的各个组成部分表现如何？它们是否有助于提高推荐性能？
• •
  RQ3： 不同的读出函数和注意力机制如何影响CHMGSU的准确性？
• •
  RQ4： 在哪个子序列长度
  $l^{?}$、温度系数$\tau$和丢弃率下，CHMGSU的表现最佳

结论

目前，大多数基于图的方法采用单视图建模方法，其中独立项目被分别建模。这些方法无法捕捉交互关系中固有的丰富上下文信息。为了探索具有更多上下文的视图结构，本文提出了一种基于对比增强的异构多视图图谱方法，即CHMGSU。CHMGSU不是关注单个项目之间的关系，而是基于子序列来建模交互

CRediT作者贡献声明

杨帆：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、监督、软件、资源、方法论、形式分析、数据整理、概念化。李杰：撰写 – 原稿、可视化、软件、资源、方法论、形式分析、概念化。张硕：可视化、方法论、形式分析、概念化。彭敦路：撰写 – 原稿、可视化、方法论、资金获取、形式分析

资助

本工作得到了国家自然科学基金的支持，项目编号为61772342。

伦理批准

不适用。

参与同意

不适用。

出版同意

不适用。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。