SelfGNN: Self-Supervised Graph Neural Networks for Sequential Recommendation论文阅读笔记

Abstract

现存的问题：

​ 首先，现有的序列模型主要关注单个交互序列的长期建模，忽略了不同用户行为之间有价值的短期协作关系。其次，真实世界的数据通常包含噪音，尤其是用户的短期行为，这些噪音可能来自临时意图或错误点击。这些噪音会对图形和序列模型的准确性产生负面影响，从而使建模过程更加复杂。

提出方法：

​ 为了应对这些挑战，我们提出了一种用于顺序推荐的新型框架，称为自监督图神经网络（SelfGNN）。SelfGNN 框架基于时间间隔对短期图进行编码，并利用图神经网络 (GNN) 学习短期协作关系。它通过时间间隔融合和动态行为建模，在多个粒度水平上捕捉长期用户和项目表征。重要的是，我们的个性化自增强学习结构可根据用户的长期兴趣和个人稳定性来减轻短期图中的噪声，从而增强模型的稳健性。

Introduction

​ 第一段介绍推荐系统和现存的一些方法

​ 第二段介绍顺序推荐和现存的一些方法

​ 第三段介绍基于SSL的推荐器和基于GNN的推荐器存在的问题，没有考虑时间

​ 第四段介绍现有的方法取得成果是因为数据质量高，以及介绍噪音问题

​ 后面就是介绍本文提出的方法

​ 鉴于上述挑战，本研究提出了一种用于顺序推荐的自监督图神经网络（SelfGNN）。SelfGNN 旨在通过纳入动态协作信息和个性化短期去噪，并通过自我增强学习来捕捉用户兴趣。SelfGNN 建立在三个关键范例之上。

​ 短期图协作编码

​ 全局用户项目图根据时间间隔被划分为多个短期图。采用 GCN 传播协作的高阶信息。例如，在图 1 中，