CCIIP实验室2019级研究生王子扬同学（2019年9月入学，导师：魏巍）论文“Global Context Enhanced Graph Neural Networks for Session-based Recommendation（作者：王子扬，魏巍，丛高，李晓黎，毛先领，邱明辉）”被第43届信息检索领域顶级国际会议（43rd International ACM SIGIR Conference on Research and Development in Information Retrieval，SIGIR2020，IR领域的知名会议）作为长文全文录用。 第43届国际计算机学会信息检索大会（SIGIR2020）计划于2020年7月25日-7月30日在中国西安召开。SIGIR是CCF推荐的A类国际学术会议，在信息检索领域享有很高的学术声誉。这次会议共收到来自555篇长文投稿，仅有147篇长文被录用，录用率约26%。
内容简介：推荐系统在许多在线应用平台上具有重要作用，能够有效缓解信息过载问题以改善用户体验。然而在许多情况下用户交互时其身份信息是匿名状态，推荐时能够利用的有效信息较少，通常只能考虑用户当前会话(Session)交互记录，因此基于会话的推荐系统需要根据匿名用户的当前会话信息预测其可能感兴趣物品，该任务具有极大挑战性。当前基于会话的推荐系统的研究主要关注当前会话（Local-level）序列信息，却忽略了全局信息（Global-level）带来的帮助。因此本文提出了一种新颖的基于图神经网络(Graph Neural Networks)的短序列推荐模型(Global Context Enhanced Graph Neural Networks for Session-based Recommendation, GCEN)，在模型中不仅考虑当前会话序列，同时考虑全局条件下会话序列中物品间的转移关系，从而构建局部/全局会话序列图，在此基础之上定义了单个物品的上下文信息，即：局部上下文(Local Context)和全局上下文(Global Context)信息。GCEN模型应用注意力机制来动态生成图中邻居点之间的注意力系数以此从图中捕获物品间依赖关系，此外本文首次引入相对位置信息和全局会话信息，通过软注意力(Soft Attention)机制生成最终表示向量以获取会话序列的整体向量表示。通过在真实数据集上的实验测试结果显示，本次工作提出的GCEN模型能够在(MRR/Precision)等指标上超越目前已知的基线模型。
