基于静态加权增强与流行偏差消除的会话推荐模型

摘要

现有基于图结构的会话推荐模型大都存在建模过程中难以区分项目关联强度差异且图神经网络易放大会话推荐中流行偏差的问题。针对这些问题，提出了一种基于静态加权增强与流行偏差消除的会话推荐模型。具体来说，首先在已有无向无权全局图和无向无权会话图静态特征基础上，提出加权策略来分析不同项目之间的交互和影响，以更精准量化项目间的关联强度，提升模型对会话静态特征的捕捉能力。此外，针对会话推荐中图神经网络放大流行偏差问题，提出流行度消除层来减轻推荐中流行偏差，通过层次聚类识别流行项目簇，量化流行偏差，并从会话表示中显式消除偏差，以缓解模型对热门项目的过度偏好。实验结果表明，所提模型在3个广泛使用的会话推荐数据集上均取得较优性能，在保持推荐准确性的同时有效提升了对长尾项目的关注能力。实验结果验证了该方法在增强项目关联强度建模能力及缓解会话推荐流行偏差方面的有效性，有助于提升会话推荐系统的公平性与多样性。

关键词

会话推荐 / 静态加权增强 / 图神经网络 / 流行偏差