基于超图卷积门控循环单元与自监督对比学习的序列推荐模型HGCN-GRU

《Scientific Reports》：HGCN-GRU: temporal memory learning for hypergraph sequential recommendation

　　

摘要

序列推荐系统旨在通过建模用户偏好的时间演变来预测用户未来的交互行为。基于超图的表示方法尤其适合该场景，因为它们在统一的关系结构中能够捕获多个用户和物品之间的高阶、非成对依赖关系，从而实现超越传统成对交互的复杂协同模式建模。尽管具有这一优势，但现有的基于超图的序列推荐器通常依赖于浅层的时间传播，例如残差门控或跨相邻快照的单步超图卷积，这限制了它们跨遥远时间段保持长程语义依赖的能力。此外，当仅使用监督信号进行训练时，这些模型会因数据稀疏性而受限，因为真实场景中有限的交互密度不足以提供学习判别性表示所需的监督证据。在这项工作中，我们提出了超图卷积网络-门控循环单元（HGCN-GRU），这是一个序列推荐框架，通过两项互补的贡献来解决上述两个局限。首先，我们将现有超图模型中的残差门控机制替换为与时间注意力模块耦合的门控循环单元（GRU）。与单步传播不同，GRU将每个时间段的超图嵌入序列建模为一个时间过程，从而能够在遥远的时间步之间积累语义信息，同时注意力模块自适应地强调最具信息量的历史时段。其次，我们引入了一种自监督对比学习目标，通过随机超边丢弃增强直接从超图结构中生成辅助训练信号。通过对齐来自两个独立增强视图的用户表示，对比模块在不需额外标注的情况下弥补了稀疏交互场景中有监督信号的不足。在三个不同密度的基准数据集（Amazon Review、MovieLens-1 M 和 Yelp）上进行的广泛实验表明，HGCN-GRU 在所有评估指标上均持续优于七个竞争性基线方法。该模型在各种交互密度不同的数据集上均持续优于最强基线。改进在所有数据集中均保持显著，包括最稀疏的设置，证明了所提框架在不同交互稀疏程度下的有效性。消融研究进一步证实，基于 GRU 的时间记忆和对比学习目标解决了现有超图推荐框架的互补性弱点。