RetaGNN：跨领域序列推荐的注意力图神经网络

RetaGNN是一种深度学习方法，针对"整体序列推荐"这一问题提出了新颖的解决方案，尤其是在处理新用户和跨领域数据时。该模型的核心是Relational Temporal Attentive Graph Neural Network (RetaGNN)，它旨在克服传统推荐系统中用户-物品交互稀疏性和新用户适应性的挑战。 首先，RetaGNN关注的是在推荐场景中，目标推荐域和训练域可能存在一定的数据重叠，即使在不同领域，依然希望能够利用这些共享的信息。为了解决这个问题，模型设计了一个三元图H=(N,E)，包括用户节点(N)、项目节点(V)和属性节点(A)，它们通过有向边(E)连接，如用户的喜好、项目的特征和属性关联等。这种封闭子图的构建有助于捕捉协同过滤（用户-项目交互路径）和基于内容的过滤（项目-属性交互路径）的效果。 模型的架构包含两个关键组件：RetaGNN层和Sequential Self-Attention层。RetaGNN层负责对每个节点进行关系关注，赋予不同关系不同的权重，然后通过邻域聚合机制传递节点间消息，从而学习到节点的嵌入表示。这个过程既考虑了全局关系，也关注了节点自身的特性。Sequential Self-Attention层则进一步学习给定用户-项目交互序列中的项目关系，通过对长期和短期表示([𝐿]和[𝑆])的不同处理，增强了模型对序列依赖的理解。 在最终的嵌入生成阶段，模型结合了长期和短期表示，并利用函数RAR和SSA来分别处理关系关注的GNN和顺序自我注意力，允许根据任务需求调整这两个模块的深度。这样，即使面对新用户，模型也能利用已有的知识，通过图结构将他们与其他用户联系起来，而无需重新训练。 预测和模型训练方面，RetaGNN能够有效地整合这些嵌入信息，生成对新用户和跨域项目的推荐。其优势在于，不仅解决了用户-项目交互的稀疏性问题，还通过关系注意力机制和图神经网络技术实现了知识的迁移和泛化，从而提升整体序列推荐的准确性和覆盖率。