In diesem Abschnitt präsentieren wir das vorgeschlagene Modell C-HAN im Detail, dessen Pipeline in Abbildung 3 dargestellt ist. Es besteht aus vier Komponenten: (1) einem Self-Attention-Modul für das Lernen sequenzieller Informationen; (2) der Einbettung von Hypergraphen mit Interaktionskontext für Informationen; (3) einem Modul für das Lernen der Sitzungsrepräsentation zur Erlangung der finalen Repräsentation der Sitzung; (4) die Vorhersageschicht verwendet die verfeinerte Einbettung der Sitzung, um die Top-N-Elemente vorherzusagen, die ein Benutzer wahrscheinlich als nächstes anklicken wird.
Es wird allgemein anerkannt, dass sequenzielle Übergangsmuster für SRS entscheidend sind, da sie die zeitliche Korrelation des Benutzerverhaltens, die Entwicklung des Interesses, langfristige Abhängigkeitsbeziehungen und andere relevante Informationen umfassen. In diesem Papier verwenden wir den Self-Attention-Mechanismus, um die sequenziellen Übergangsmuster in Sitzungen zu modellieren. Technisch gesehen repräsentieren wir jedes Element \(v_i\) in einer Sitzung \(S_i=[v_1, v_2,…, v_{n_i}]\) als Einbettungsvektor mit d Dimensionen. Dann transformieren wir \(E_{s_i}\) mit Hilfe von \(W^q\) und \(W^k\) unter Verwendung der Sigmoid-Aktivierungsfunktion, um die Abfrage Q und den Schlüssel K zu generieren. Anschließend berechnen wir die Einbettungsähnlichkeit zwischen jedem Paar von Elementen und bilden eine Korrelationsmatrix, die die Beziehungen zwischen den Elementen darstellt.
Wir nutzen Hypergraphen, um Sitzungen zu modellieren. Ein Hyperkant wird für jede Sitzung verwendet, die Elemente des Vertex-Sets sind alle eindeutigen Elemente in der Sitzung. Um den Einfluss von Kontextinformationen auf das Item-Lernen während der Benutzerinteraktion zu erfassen, integrieren wir eine gewichtete kontextuelle Darstellung für jedes Element innerhalb des Hyperkanten mithilfe von Soft-Attention. Konkret verwenden wir für jedes Element \(v_i\) in einer Sitzung eine Aufmerksamkeitsmechanismus, um einen Gewichtsvektor \(W_i\) zu generieren, der die Einflussstärke des Kontextszenarios auf das Benutzerinteresse bei der Interaktion mit dem Element darstellt. Diese gewichtete kontextuelle Darstellung ermöglicht die kontextbewusste Einbettung des Elements.