基于多圖神經網絡的會話感知推薦模型

南 寧，楊程屹，武志昊

（1.北京交通大學計算機與信息技術學院，北京 100044；2.中國民用航空局民航旅客服務智能化應用技術重點實驗室，北京 100105；3.中國民航信息網絡股份有限公司，北京 101318）

（*通信作者電子郵箱cyyang@travelsky.com）

0 引言

隨著互聯網的發展、因特網的普及，網絡中的信息量呈現指數式增長，人們普遍面臨信息過載［1］問題。為幫助用戶在互聯網中篩選有用的信息，推薦系統應運而生。為滿足用戶需求，許多推薦系統根據用戶的歷史行為產生推薦。然而在實際應用中，對許多身份未知的用戶或新用戶，他們的歷史行為是不可知的，因此出現了基于會話（session）的推薦。會話指用戶在一段時間內的瀏覽（或其他操作）行為［2］，可表示為一個瀏覽序列，瀏覽對象稱為物品（item）。目前，基于會話的推薦在電商平臺［3］、新聞［4］、視頻［5］等領域得到了廣泛的應用。

基于會話的推薦問題的關鍵是建模會話中物品之間的關系。現有研究主要基于目標會話中的序列信息，對目標會話進行建模，捕獲會話中物品間的關系，產生推薦結果；但僅對目標會話建模，缺乏對物品間全局關系的捕獲和利用，模型捕獲到的信息非常有限，難以達到理想的預測效果。在傳統的推薦系統中，基于用戶的協同過濾算法的思想是根據相似用戶的喜好進行推薦［6］，雖然基于會話的推薦這一研究領域用戶的身份是未知的，但依然可以引入其他會話中的全局信息作為協同信息輔助預測。

針對上述問題，本文提出了基于多圖神經網絡的會話感知推薦（Multi-Graph neural network-based Session Perception recommendation，MGSP）模型。該模型主要由四部分構成：

1）構圖模塊：根據目標會話、訓練集中的所有會話構建物品轉移圖（Item-Transition Graph，ITG）和協同關聯圖（Collaborative Relation Graph，CRG）。

2）圖神經網絡（Graph Neural Network，GNN）模塊：對構造的ITG 及CRG 分別應用GNN，匯聚節點信息，生成兩類節點表示，分別定義為個性化偏好物品表示及協同信息物品表示。

3）雙層注意力模塊：考慮到捕獲到的兩類節點表示中存在隱含的依賴關系，即個性化偏好與協同信息間的隱含關系，而自注意力機制能夠捕獲節點表示間隱含的依賴關系，具有強大的提取特征的能力，故該模塊首先通過自注意力機制同時對兩類節點表示建模，捕獲個性化偏好與協同信息間的隱含關系；為捕獲用戶在會話中的長期偏好和當前興趣，該模塊還構造了第二層注意力機制，該注意力機制通過重點關注用戶的當前興趣，聚合節點表示，從而達到同時捕獲會話中用戶的長期偏好和當前興趣的目的，得到會話級別的表示。

4）預測模塊：考慮到不同特征在預測任務中的重要性不同，該模塊使用注意力機制進行信息融合，得到最終的會話表示，預測下一個交互的物品。

本文的主要工作分為三個方面：

1）提出以構造多圖的方式引入其他會話中的協同信息，結合個性化偏好信息與協同信息產生推薦，提高了推薦性能。

2）構造雙層注意力模塊：第一層注意力機制用于捕獲個性化偏好與協同信息間的隱含關系；第二層注意力機制強調用戶當前興趣的重要性，可同時捕獲會話中用戶的長期偏好和當前興趣，得到會話級別的表示。另外，還提出通過注意力機制進行多圖的信息融合。

3）本文在電商領域兩個真實公開數據集上進行了大量的實驗，結果表明，本文提出的模型在各項指標上均優于比較的八個基準模型；此外，本文還在民航領域數據集上驗證了模型的有效性。

1 相關工作

在推薦系統領域，基于會話的推薦問題自出現以來，始終是一個研究熱點，其目標是根據用戶在此次會話中與物品的交互記錄（如點擊行為序列、購買行為序列、出行目的地序列等）預測用戶下一個交互的物品。本文將現有基于會話的推薦算法分為傳統方法和基于深度學習的方法兩大類。

傳統方法為基于傳統的機器學習思想提出的一系列的方法［7-10］。文獻［8］為了解決兼顧計算性能與推薦質量的問題，提出了基于物品鄰域的方法（item-based neighborhood methods），其中物品之間的相似性通過在同一個會話中共同出現的頻率來衡量。基于矩陣分解（Matrix Factorization）的方法［9］是推薦系統中的通用方法，其基本思想是將一個用戶-物品評價矩陣分解成兩個低秩矩陣，分別表示用戶和物品的潛在因子。由于在基于會話的推薦場景下，用戶的身份是未知的，故矩陣分解方法不適用于該研究問題。基于馬爾可夫決策過程的思想，文獻［10］中提出了FPMCs（Factorized Personalized Markov Chains），將矩陣分解與馬爾可夫鏈兩種方法相結合，建模相鄰交互物品間的順序關系。總體上看，上述傳統方法均忽略了序列數據中蘊含的物品間的轉移模式。

隨著深度學習的快速發展，研究人員開始嘗試利用深度學習方法解決基于會話的推薦問題［11-19］。文獻［13］首次引入循環神經網絡（Recurrent Neural Network，RNN）進行基于會話的推薦，提出基于門控循環單元的GRU4Rec（Gated Recurrent Unit for Recommendation）模型。實驗結果表明，通過RNN 能夠捕獲到會話中蘊含的物品間的轉移模式，極大地提高了推薦性能。之后，文獻［15］中依然采用RNN 的方法，并引入了一系列的優化方法，如數據增廣（Data augmentation）、預訓練（Pre-training）等，進一步提高了實驗效果。基于RNN 的方法雖然對實驗效果具有極大的提升，但這些方法忽略了會話中蘊含的用戶的購物目的或偏好，對于會話中的信息挖掘仍然不夠充分。

文獻［16］中為解決基于RNN 的方法只考慮到會話中的轉移模式，忽略了用戶在會話中的主要目的這一問題，提出了NARM（Neural Attentive Recommendation Machine）模型，結合RNN 與注意力機制，同時捕獲用戶的序列行為特征及主要目的。之后，文獻［17］中提出了STAMP（Short-Term Attention/Memory Priority）模型，該方法使用簡單的多層感知機（Multi-Layer Perceptron，MLP）網絡設計了一種注意力機制，可以有效地捕獲用戶的長期偏好和當前興趣，但該方法拋棄了會話中的序列行為特征。

最近，文獻［18］中基于圖神經網絡（Graph Neural Network，GNN）強大的節點表示學習能力，提出了SR-GNN（Session-based Recommendation with Graph Neural Network）模型，將用戶的序列行為建模為圖數據，使用強大的圖神經網絡捕獲物品間的轉移模式，然后通過一個簡單的注意力機制捕獲用戶的長期偏好和當前興趣。之后，文獻［19］中提出了GC-SAN（Graph Contextual Self-Attention model based on graph neural Network），采用GNN 及自注意力機制相結合的方式，分別捕獲會話中相鄰物品間的關系及物品間的全局依賴關系。上述方法主要基于目標會話中的信息進行推薦，未顯式地建模其他會話中的協同信息。為此，本文提出了基于多圖神經網絡的會話感知推薦模型MGSP，能夠有效地利用個性化偏好信息及協同信息解決基于會話的推薦問題。

2 基于多圖神經網絡的會話感知推薦模型

本文MGSP 模型的預測流程如圖1 所示。模型的輸入是用戶當前會話。首先需要獲取物品級別的表示，方法是基于構圖模塊構建圖結構數據，然后基于GNN 模塊，通過GNN 強大的節點表示學習能力學習物品的表示。由于用戶的當前會話中蘊含的信息非常有限，本文在根據當前會話構圖的同時，用訓練集中的所有會話構建全局圖并提取出相應的子圖，然后分別應用GNN 從兩張圖中學習獲得兩類節點表示，即為物品級別的表示。獲得物品級別的表示后，需要對物品級別的表示進行聚合，獲得會話級別的表示。本文設計了一種雙層注意力模塊來獲取會話級別的表示，該模塊的作用在于對兩類節點表示的依賴關系進行建模，并從中提取重要的信息，獲得會話級別的表示。在獲得會話級別的表示之后，通過預測模塊獲得最終的預測結果。預測模塊的主要作用是基于注意力機制對兩張圖中學習到的信息進行信息融合，并預測下一個交互的物品。基于上述流程分析，本文模型結構如圖2 所示，主要由四部分構成：ITG 與CRG 構建模塊（見2.2 節），圖神經網絡模塊（見2.3節），雙層注意力模塊（見2.4節）和預測模塊（見2.5節）。

圖1 MGSP模型的預測流程Fig.1 Prediction flowchart of MGSP model

圖2 MGSP模型的結構Fig.2 Structure of MGSP model

2.1 問題描述

基于會話的推薦是指基于用戶在此次會話中與物品的交互記錄（如點擊行為序列、購買行為序列、出行目的地序列等）預測用戶下一個交互的物品或地點。下面給出本文的符號定義。

集合V=｛v1，v2，…，v|V|｝表示在所有會話中出現過的物品的集合，為了將所有物品映射到統一的嵌入空間，每個物品vi對應初始嵌入si∈Rd，d表示嵌入的維度；序列S=｛v1，v2，…，vn｝表示一個會話，其中，n表示會話S的長度，vi∈V，vi在會話S中按照用戶交互的時間順序排列。本文MGSP 模型的目標是已知用戶當前會話為St=｛v1，v2，…，vt｝，預測用戶在第t+1 時刻會與哪個物品發生交互，即預測vt+1。因此，對每個輸入的會話，MGSP 模型會輸出候選集中每個候選物品的偏好值=，其中表示候選物品vi的偏好值。由于推薦系統一般會向用戶產生多個推薦，因此可以從預測結果中選擇偏好值最高的N個物品構成推薦列表。

2.2 物品轉移圖與協同關聯圖構建模塊

在該模塊，本文介紹如何通過目標會話、訓練集中的所有會話構建物品轉移圖（ITG）和協同關聯圖（CRG）。ITG 中蘊含著用戶的個性化偏好信息，CRG中蘊含著豐富的協同信息。

ITG 為有向加權圖，表示為Gitg=（V，Eitg），其中，V表示在目標會話S中出現過的物品集合，Eitg表示物品間的有向邊集合。Gitg的構造方法如下：在會話S中，若用戶與物品vi發生交互后又與物品vj發生了交互，則對應的邊權加1。

CRG 為無向加權圖，表示為Gcrg=（V，Ecrg），其中，V表示在目標會話中出現過的物品集合，Ecrg表示物品間的無向邊集合。為引入其他會話中的信息作為協同信息，根據訓練集中的所有會話S構建全局的無向加權圖。首先以訓練集中出現過的所有物品為節點，然后根據物品在會話中的共現關系構邊，即對訓練集中的每一個會話S，若物品vi與vj共同出現在S中，則(vi，vj)對應的邊權加1。最后，根據目標會話中出現的物品集合，從全局圖中抽取出相應的子圖，得到Gcrg。

2.3 圖神經網絡模塊

在該模塊，本文介紹如何通過GNN 學習節點的表示。文獻［20］中基于RNN 的思想，在GNN 中引入了門控單元，提出了門控圖序列神經網絡（Gated Graph Sequence Neural Network），該方法極大地增強了GNN 處理序列數據的能力。下面以ITG 為例，介紹如何通過門控圖序列神經網絡學習節點的表示。

在圖Gitg中為節點vi在t次更新之后的表示，其更新函數如下：

2.4 雙層注意力模塊

在該模塊，介紹如何對Sitg和Scrg進行處理，生成不同意義的會話級別的表示。該模塊設計雙層注意力機制：第一層注意力機制捕獲個性化偏好與協同信息間的隱含關系；第二層注意力用于捕獲用戶的長期偏好和當前興趣，最終得到會話級別的表示。

自注意力機制能夠捕獲節點表示間隱含的依賴關系，具有強大的提取特征的能力。故該模塊首先通過自注意力機制同時對兩類節點表示建模，捕獲個性化偏好與協同信息間的隱含關系。將圖神經網絡模塊的輸出Sitg與Scrg并入一個列表，得 到Sall=[sitg，1，sitg，2，…，sitg，n，scrg，1，scrg，2，…，scrg，n]，之 后Sall的更新函數如下：

式（6）～（8）中，Wk、Wq、Wv∈Rd×d均為可訓練參數，用于將Sall投射為三個矩陣，作為自注意力模塊的輸入；式（9）中，Fs∈Rd×d為自注意力評分矩陣，除以d的平方根是為了避免向量內積的值過大，softmax 函數對自注意力評分進行正則化處理；式（10）根據自注意力評分矩陣更新物品表示，得到雖然自注意力機制能夠通過合適的權重聚合節點的信息，但它仍然是一個線性模型。本文引入帶ReLU 激活函數的兩層前饋神經網絡，賦予模型非線性的能力，并且在前饋神經網絡之后添加一個殘差連接操作，這樣可以有效利用低階特征，使模型效果更加穩定［21］，具體形式如式（11）所示。

其中：Wf1，Wf2∈Rd×d為可訓練的參數矩陣；b1，b2∈Rd為可訓練的偏差向量；ReLU(?)為ReLU激活函數。

自注意力模塊之后，從E中可得到經過自注意力機制處理之后的兩類物品表示：個性化偏好物品表示取E的前n行，記為Hitg=[hitg，1，hitg，2，…，hitg，n]；協同信息物品表示取E的后n行，記為Hcrg=[hcrg，1，hcrg，2，…，hcrg，n]。

為捕獲用戶在會話中的長期偏好和當前興趣，該模塊構造第二層注意力機制。該注意力機制通過重點關注用戶的當前興趣，聚合節點表示，從而達到同時捕獲會話中用戶的長期偏好和當前興趣的目的，得到會話級別的表示。下面以Hitg為例，介紹聚合流程。考慮到列表中每個物品具有不同的重要性，而用戶當前交互的物品可表示當前興趣，應重點關注，將列表中的每個物品與用戶當前交互的物品計算相似度，以此衡量每個物品在會話中的重要性。計算過程如式（12）和式（13）所示：

其中：W1，W2∈Rd×d；u，b∈Rd均為可訓練參數；σ（?）表示sigmoid 函數。通過上述注意力機制，得到Hitg和Hcrg對應的會話級別的表示，分別記為hitg和hitg。

2.5 預測模塊

在預測模塊，雖然會話級別的表示hitg和hitg中蘊含著用戶的長期偏好和當前興趣，但為了進一步強調用戶當前興趣的重要性，引入會話中最后一個交互物品的表示增強用戶的當前興趣信息，即引入物品表示hitg，n、hcrg，n。四個表示合并得到一個維度為4 ×d的數組，為便于表示，將該數組記為H=[h1，h2，h3，h4]=[hcrg，hcrg，n，hitg，hitg，n]。考慮到四個表示在預測時發揮的重要性不同，借鑒2.4 節中的第二層注意力機制，計算H中每個嵌入與hitg，n的相似度，以此衡量四個表示的重要性，實現信息融合。計算過程如式（14）、（15）所示。

對候選集中的每個候選物品vi，其偏好值計算公式如式（16）所示；之后用softmax 函數將偏好值向量正則化為0 到1的值，如式（17）所示；損失函數如式（18）所示。

其中：yi為one-hot 向量，表示用戶真實交互的物品；θ為可訓練的參數集合；λ為正則化系數。

3 電商領域實驗與結果分析

3.1 實驗數據集

為驗證MGSP 模型的有效性，選擇Diginetica 和Yoochoose兩個公開數據集進行評估實驗。Yoochoose 數據集（http：//2015.recsyschallenge.com/challege.html）由RecSys’2015 挑戰賽提供，其數據為電子商務網站六個月的用戶點擊會話記錄；Diginetica 數據集（http：//cikm2016.cs.iupui.edu/cikm-cup）由CIKM’2016提供，本文只用到了其中的交互型數據。

對兩個數據集，仿照文獻［10］的數據處理方式，首先過濾長度為1的會話及出現次數小于5次的物品，并過濾僅出現在測試集中的物品。經過上述預處理：Yoochoose 數據集中剩余7 981 580 個會話，37 483 個物品；Diginetica 數據集中剩余204 771 個會話，43 097 個物品。仿照文獻［15］的方法，對Diginetica 數據集會話中的物品按時間戳排序，構成用戶按時間順序排列的交互序列。仿照文獻［11］中的方法，對兩個數據集按照如下方法進行擴充：對于會話S={v1，v2，…，vn}，可以獲得子序列S={v1，v2}，S={v1，v2，v3}，…，S={v1，v2，…，vn}，其中每個子序列的最后一個物品作為標簽數據，其余物品序列作為輸入數據，構成一個樣本。在Yoochoose數據集中，選擇最后一天的數據作為測試集；在Diginetica 數據集中，選擇最后一周的數據作為測試集，余下的數據作為訓練集。另外，對Yoochoose 數據集，仿照文獻［16］和文獻［17］中的方式，對訓練集中的會話按時間排序，選擇最后1/64的數據作為實際的訓練集。有關兩個數據集的統計數據如表1所示。

表1 數據集的統計信息Tab.1 Statistics of datasets

3.2 實驗結果度量標準

本文選用精確率（Precision）、平均倒數排名（Mean Reciprocal Rank，MRR）和歸一化折損累計增益（Normalized Discounted Cumulative Gain，NDCG）作為模型評測標準。

P@N用于衡量推薦系統的預測準確性，表示推薦排名列表中前N個推薦物品包含正確的物品的樣本數占總樣本數的比例，計算公式為：

其中：n表示測試集中樣本總數；nhit表示在前N個推薦物品中包含正確的物品的樣本數。

MRR@N用于衡量樣本中正確物品在推薦排名列表中的排名，排名越靠前，MRR 的值越大；若正確物品未包含在推薦列表中，則對MRR的增益為0。計算公式為：

其中：n表示測試集中樣本總數；M表示前N個推薦物品中包含正確的物品的樣本集；ranki表示物品i在推薦排名列表中的排名。

NDCG@N綜合衡量推薦結果的準確性以及正確物品在推薦排名列表中的排名，是一種全面的Top-N推薦準確率評價指標，計算公式為：

其中：R（s，p）的值為0或1，針對會話s，若推薦列表中的第p個物品為正確預測物品，則R（s，p）為1，否則為0。IDCG@N（s）是進行歸一化的參數，其取值是DCG@N（s）能達到的最大值，即正確預測的物品在推薦列表中排第一名時對應的DCG@N（s）值。

本文實驗中取N=20。

3.3 對比模型

為了驗證MGSP 模型的有效性，本文選擇以下模型作為對比模型：

1）POP（Popularity）：根據物品在訓練集中出現的頻率進行推薦。

2）Item-KNN（Item Based K-Nearest Neighbor）［8］：根據會話中點擊過的物品推薦相似的物品，其中物品間的相似度通過物品在訓練集所有會話中共同出現的次數來衡量。

3）FPMC［10］：結合矩陣分解與馬爾可夫鏈兩種方法，建模相鄰交互物品間的順序行為關系。該方法不僅減少了參數，還能夠同時捕捉時間信息和長期的用戶喜好信息。

4）GRU4REC［13］：首次引入RNN 來解決基于會話的推薦這一領域的問題，采取一定的策略提高訓練效率，并設計了一種基于排名的損失函數。

5）NARM［16］：采用RNN 與注意力機制相結合的方法，使用RNN 捕獲用戶的序列行為特征，使用注意力機制捕獲用戶的主要目的。

6）STAMP［17］：拋棄會話中的序列行為特征，強調用戶當前興趣的重要性，設計了一種注意力機制，有效地捕獲用戶的長期偏好和當前興趣。

7）SR-GNN［18］：將用戶的序列行為建模為圖數據，通過GNN 捕獲物品間的轉移模式，然后通過注意力機制捕獲用戶的長期偏好和當前興趣。

8）GC-SAN［19］：在SR-GNN的基礎上將普通注意力機制改為自注意力機制，通過GNN 捕獲物品間的局部依賴關系，通過自注意力機制捕獲物品間的全局依賴關系。

對比模型的維度均設為100，取訓練過程中的最優結果，每個實驗重復10次，并取平均值作為最終結果。

3.4 實驗參數設定

本文設定隱向量的維度d=100，學習率lr=0.001，每迭代3 次學習率衰減10%，正則化系數λ=10-5，訓練批量設定為128，使用Adam 算法優化模型參數，迭代次數設定為30，并設計了早停策略。使用均值為0、標準差為0.1的高斯分布初始化所有參數。

3.5 結果分析

為驗證MGSP 模型的性能，本文設計了4 組實驗，并對實驗結果進行了分析。

第一組實驗將MGSP 模型與其他對比模型進行對比，表2給出了MGSP 模型與其他對比模型在兩種數據集上的實驗結果。從表2可以看出：

1）GRU4REC 在性能上遠優于Item-KNN、FPMC 等傳統方法。這表明傳統方法難以捕獲到序列數據中蘊含的豐富的信息，而RNN 能夠有效地捕獲物品序列中物品間的轉移模式，給出更精確的推薦。

2）基于注意力機制的NARM、STAMP 在效果上要優于GRU4REC，表明引入注意力機制有利于捕獲會話中蘊含的用戶偏好。STAMP 提出基于用戶最后一次交互的物品捕獲用戶的當前興趣，結合用戶的長期偏好給出推薦，且取得了不錯的效果，這表明會話中的信息具有時效性，用戶的當前興趣對于精確推薦非常重要。

3）SR-GNN 和GC-SAN 引入GNN 來捕獲物品間的轉移模式，并通過注意力機制捕獲用戶的偏好，取得了不錯的效果，且其效果在較大程度上優于GRU4REC、NARM，體現了GNN捕獲物品間的轉移模式的強大能力。

4）對比本文MGSP 模型與其他模型可以看出，MGSP 模型在每一個數據集的每一項指標上均具有至少1 個百分點的提升，表明引入其他會話中的協同信息進行信息擴充是非常有必要的，也表明本文MGSP 模型可以有效地建模個性化偏好信息及協同信息。

表2 不同模型在兩個數據集上的性能對比 單位：%Tab.2 Performance comparison of different models on two datasets unit：%

第二組實驗針對MGSP 模型進行消融實驗，驗證模型中主要組成部分的有效性。MGSP_1表示只對ITG 建模，即只建模用戶的個性化偏好信息；MGSP_2表示只對CRG 建模，即只建模用戶的協同信息；MGSP_3 表示去掉雙層注意力模塊的第一層自注意力模塊，即不考慮個性化偏好信息與協同信息間的隱含關系；MGSP_4 表示去除模型中預測模塊的注意力機制，使用mean-pooling 操作來進行信息融合。各模型實驗結果如表3所示，從表3中可以看出：

1）MGSP_1在各項指標上均優于MGSP_2，表明在產生推薦時用戶的個性化偏好信息比協同信息重要，體現了個性化推薦的重要性。

2）對比MGSP_2 與MGSP 可以看出，當對兩個圖同時建模時可以取得更好的效果，表明引入其他會話中的協同信息，可以起到很好的信息補充作用。

3）對比MGSP_3 與MGSP，前者的性能明顯下降，表明自注意力模塊能夠有效地捕獲個性化偏好信息與協同信息間的隱含關系，提高推薦準確性。

4）對比MGSP_4 與MGSP，前者的性能明顯下降，表明本文提出的注意力機制可以有效地進行信息融合，提高模型的性能。

通過上述分析可以得出，MGSP 模型中的各個主要組成部分都是有效的。

表3 MGSP模型的消融實驗結果 單位：%Tab.3 Ablation experimental results of MGSP model unit：%

第三組實驗測試在不同會話長度下的MGSP 模型性能。由于SR-GNN 和GC-SAN兩個模型在對比模型中表現最好，所以本組實驗選擇SR-GNN 和GC-SAN 作為對比模型。設定會話長度范圍為1 到20，選擇P@20 為評估指標，在兩個數據集上進行實驗，實驗結果如圖3 所示。對比三個模型在長會話和短會話上的表現，可以發現在Diginetica 數據集上會話長度為2 時預測效果最好，在Yoochoose 1/64 數據集上會話長度為3 時預測效果最好；而隨著會話長度的增加，三個模型的預測效果呈下降趨勢，但MGSP 模型的下降趨勢最為平緩，且在會話較長時效果明顯好于SR-GNN 和GC-SAN。原因可能是由于會話長度較長時，很難捕獲到用戶的興趣轉移模式或意圖，導致模型效果降低。另外，可以很明顯地發現，在大部分會話長度下，MGSP模型的性能明顯優于SR-GNN和GC-SAN。

圖3 不同會話長度下的模型性能對比Fig.3 Performance comparison of different models under different session lengths

第四組實驗測試在嵌入維度d取不同值時，MGSP 模型的性能。本組實驗仍然選擇SR-GNN 和GC-SAN作為對比模型。設定嵌入維度d的取值范圍為10 到120，選擇P@20 為評估指標，在兩個數據集上進行實驗，實驗結果如圖4 所示。從圖4可以看出，隨著嵌入維度d的增加，三個模型的性能均有所提升，但當嵌入維度d達到60時，三個模型的性能不再隨著嵌入維度d的增加而提升。另外，可以很明顯地發現，在各個嵌入維度下，MGSP模型的性能均優于SR-GNN和GC-SAN。

圖4 不同嵌入維度下的模型性能對比Fig.4 Performance comparison of different models under different embedding dimensions

4 民航出行領域實驗結果

為驗證MGSP模型在應用上的可擴展性，將MGSP模型遷移至其他領域，驗證它在其他領域的數據集上是否仍然具有非常好的性能。在民航領域，旅客出行記錄通常較少，與基于會話的推薦場景類似，因此本文將MGSP 模型應用于民航旅客出行目的地預測問題來測試模型的性能。該實驗模塊會話由旅客歷史出行序列數據構成，目標為預測旅客下一次出行的目的地城市。由于本實驗將旅客出行目的地預測問題視為會話推薦問題，故實驗中未涉及其他特征信息，如年齡、性別等，在實際應用中可以通過引入額外特征信息進一步提升預測準確性。本實驗使用的數據為經過脫敏處理的旅客出行記錄，本文將該數據集稱為HVR（Historical Voyage Records）。HVR 為10 萬旅客在三年零六個月的出行記錄，涉及機場426個，完整航程記錄264 647條，航段470 239個。首先篩選歷史總航段數不低于3 的航程記錄，然后按照如下規則劃分訓練集、測試集：對每一位旅客的歷史行程序列，將最后一次出行構成的樣本作為測試集，之前的樣本作為訓練集。最終獲得訓練集155 179條，測試集34 535條。

本實驗仍選用P@N、MRR@N和NDCG@N作為模型評測標準，由于機場的數量較少，故展示N為3 和5 的情況下的實驗結果。本實驗選擇的對比模型為兩個前沿模型SR-GNN 和GC-SAN，實驗結果如表4 所示。從表4 可以看出，SR-GNN 和GC-SAN 在該數據集上表現良好，但MGSP 模型通過多圖的構造，利用了更加豐富的信息，在各項指標結果上均明顯優于SR-GNN 和GC-SAN 模型，具有約3 個百分點的提升。通過本實驗也驗證了MGSP 模型在不同領域都具有較好的預測性能。

表4 不同模型在HVR上的性能對比 單位：%Tab.4 Performance comparison of different models on HVR unit：%

5 結語

本文提出了基于多圖神經網絡的會話感知推薦模型MGSP，該模型通過構造多圖引入其他會話中的信息作為協同信息，并設計了一種圖神經網絡與注意力機制相結合的方法，同時對用戶的個性化偏好信息以及協同信息進行建模，最后通過注意力機制對兩類信息進行融合，生成精確的推薦結果。分別在電商和民航兩個場景下進行了對比實驗，實驗結果表明，本文的MGSP 模型在各項指標上均優于SR-GNN、GC-SAN等基準模型。另外，本文還通過消融實驗驗證了模型中各組成部分的有效性。在下一步的研究工作中，將研究如何在引入協同信息時對會話進行篩選，希望通過引入相似度或相關性較高的會話來進一步提升推薦準確性。