Graph Neural Network Session Recommendation Algorithm Based on Semantic Knowledge and Temporal Encoding
Notice bibliographique
Résumé
Session-based recommendation aims to match users with corresponding resources, and has been widely used in streaming media, e-commerce and so on. At present, the most widely used session-based graph neural network recommendation model is to construct a session sequence into a session graph as the input of the graph neural network, and use the target attention network to capture the specific user interests associated with the target item, and use the self-attention mechanism to obtain the long-term interest preferences of the user. Although this model has achieved good results, it also has some limitations. (1) It only constructs the session sequence into a session graph, resulting in a single form of constructing the session graph. (2) It is too one-sided to recommend users only according to their session behavior. In order to solve the above problems, this paper proposes a new recommendation algorithm -Graph Neural Network Recommendation Algorithm (KT-GNN) based on semantic knowledge and temporal encoding. First, we introduce dwell time to the session graph and encode the dwell time to solve the session graph single problem. At the same time, the dwell time can reflect the user’s preference for the item and improve the efficiency of recommendation. Second, PairRE knowledge translation model is used to process users’ semantic knowledge and mine users’ semantic preferences. Extensive experiments have demonstrated the superiority of our model on both Yoochoose and TFCD datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».