基于多视图图神经网络的会话推荐：属性与关键词协同挖掘方法

针对会话推荐(SBR)中用户行为模糊和属性缺失的难题，研究人员提出关键词与属性感知的多视图图神经网络(KAMVG)，通过构建会话视图、属性视图和关键词视图的三维建模框架，结合节点级与语义级注意力机制，在三个真实数据集上验证其优越性，为解决推荐系统数据稀疏性和语义互补性问题提供了创新方案。

　　

在数字经济时代，推荐系统已成为提升用户体验和平台收益的核心技术。传统基于协同过滤的方法依赖长期用户行为数据，但随着隐私保护法规的日益严格，会话推荐(Session-based Recommendation, SBR)技术应运而生——它仅需分析用户单次会话中的短期行为序列即可预测下一步兴趣。然而现有方法面临双重困境：一方面，单纯依赖行为序列易受模糊点击模式干扰；另一方面，引入商品属性信息时又常遭遇数据不完整问题。更棘手的是，结构化属性与非结构化关键词之间存在着语义鸿沟，使得现有模型难以捕捉用户细粒度偏好。

针对这些挑战，中国国家自然科学基金资助项目团队提出创新性解决方案。研究人员发现，当用户浏览旅游产品时，虽然"出发地-目的地-价格"等属性信息能反映基础偏好，但标题中的"亲子活动""家庭房"等关键词往往蕴含更深层意图。这种属性与关键词的互补特性为推荐系统优化提供了新思路。相关成果发表于《Experimental and Molecular Pathology》。

研究采用多视图图神经网络技术框架，通过构建会话序列图、属性异构图和关键词共现图的三维建模体系，结合节点级注意力(Node-level Attention)和语义级注意力(Semantic-level Attention)双重机制，有效解决了属性缺失情况下的表征学习问题。特别设计的跨视图融合策略，使得模型能自适应平衡不同信息源的贡献度。

在模型架构方面，会话视图采用GNN捕捉项目转移模式，属性视图通过元路径(Metapath)构建"会话-属性-项目"的语义网络，关键词视图则利用TF-IDF算法提取核心词汇建立意图关联。实验环节选取三个真实电商数据集，通过对比SR-GNN、MGS等基线模型，在HitRate@20和MRR@20指标上分别取得显著提升。消融实验证实，当去除关键词视图时，模型对缺失属性项目的推荐准确率下降达23.7%，凸显了多视图互补的价值。

案例研究部分生动展示了模型优势：某用户连续点击多个北京出发的旅游产品，传统方法仅能推荐同价位线路，而KAMVG通过识别"家庭游"关键词，成功推荐包含儿童设施的度假产品。在计算效率方面，得益于图结构的并行处理特性，模型在百万级商品库上的推理时间保持在毫秒级。

这项研究为推荐系统领域带来三重突破：首先，开创性地将半结构化关键词信息纳入SBR框架；其次，提出的双重注意力机制为异构信息融合提供新范式；最后，设计的缺失属性补偿策略具有工程普适性。未来工作可探索跨平台关键词词典构建，以及基于大语言模型的语义增强方法。该成果不仅提升了电商场景的推荐精度，对医疗健康领域的问诊路径推荐等时序决策问题也具有借鉴意义。