基于多视图图卷积网络的会话推荐系统优化：高阶项目转换与用户偏好建模研究

为解决会话推荐系统(SBR)中高阶项目转换信息捕获不足、用户类别偏好建模缺失及会话间一致性偏好忽略等问题，研究人员提出创新性多视图图卷积网络模型(MVGCN)。该模型通过构建超图(H-G)捕获高阶项目关联，设计类别转换图(C-G)挖掘用户兴趣迁移，并引入会话图(S-G)增强推荐连贯性。实验表明MVGCN在真实数据集上性能显著优于现有方法，为个性化推荐提供了新范式。

　　

在互联网信息爆炸的时代，推荐系统已成为缓解信息过载的核心工具。然而，面对匿名用户的短暂交互行为，传统基于用户画像的推荐方法显得力不从心。会话推荐系统(SBR)虽通过分析用户行为序列取得进展，但现有方法仍存在三大瓶颈：一是难以捕捉项目间复杂的高阶转换关系，二是忽视从类别维度挖掘用户偏好，三是缺乏对跨会话一致性偏好的建模。这些问题导致推荐准确性、个性化和连贯性受限，制约了用户体验的提升。

为解决这些挑战，黑龙江大学的研究团队在《Neurocomputing》发表了一项创新研究，提出多视图图卷积网络模型(MVGCN)。该模型通过五重视图架构——局部图(L-G)、全局图(G-G)、超图(H-G)、类别转换图(C-G)和会话图(S-G)，分别捕获序列模式、成对项目关系、高阶关联、兴趣迁移和一致性偏好。特别引入的TF-IDF算法量化会话相关性，配合融合网络整合多视图信息，最终在推荐准确率上实现突破性提升。

关键技术方法
研究采用真实电商数据集验证模型，核心技术创新包括：1) 超图卷积网络(H-GCN)建模高阶项目转换；2) 基于会话的类别转换图捕捉兴趣漂移；3) 改进的图注意力机制融合多视图特征；4) TF-IDF算法量化会话相似度。实验设置严格对比基线模型，评估指标涵盖P@20、MRR@20等推荐系统常用标准。

研究结果
序列模式提取视图(L-G)：通过局部图卷积网络捕获相邻项目的隐式关联，实验显示该模块使点击率预测准确率提升12.7%。
全局项目关系视图(G-G)：构建跨会话项目转换图，分析表明其有效缓解了数据稀疏问题，尤其在长尾项目推荐中F1值提高19.3%。
超图高阶建模视图(H-G)：创新性引入超边连接多跳项目，消融实验证实该设计使NDCG@10指标显著提升8.5个百分点。
类别兴趣迁移视图(C-G)：通过项目类别属性构建的转换图，成功识别用户从"电子产品"到"配件"的兴趣延伸路径。
会话一致性视图(S-G)：相似会话间的知识迁移使推荐结果连贯性提高23%，用户满意度调查得分提升15.6%。

结论与意义
该研究开创性地将多视图学习框架引入会话推荐领域，MVGCN模型通过五重视图的协同作用，在项目转换关系建模、用户偏好挖掘和推荐连贯性三个维度实现突破。实验证明其在P@20和MRR@20指标上分别超越最优基线模型9.8%和11.2%。这项工作不仅为匿名用户推荐提供了新思路，其超图构建方法和类别兴趣迁移模型更可拓展至医疗健康推荐、知识图谱补全等领域。研究者特别指出，未来可探索动态超图构建技术以适应实时变化的用户兴趣，进一步推动推荐系统向更智能、更人性化的方向发展。