基于改进胶囊网络的会话型推荐模型

针对现有的会话型推荐模型难以从简短的会话中捕获项目之间的依赖关系的问题，在考虑了复杂的项目交互和动态的用户兴趣变化后，提出了一种基于会话型推荐的改进胶囊网络（SR-ECN）模型。首先，利用图神经网络（GNN）处理会话序列数据，以得到每个项目嵌入向量；然后，利用胶囊网络的动态路由机制，从交互历史中聚合高级用户的偏好；此外，所提模型引入自注意力网络进一步考虑用户和项目的潜在信息，从而为用户推荐更合适的项目。实验结果表明，在Yoochoose数据集上，所提模型的召回率和平均倒数排名（MRR）均优于SR-GNN(Session-based Recommendation with GNN)、TAGNN(Target Attentive GNN)等所有对比模型，与基于无损边缘保留聚合和快捷图注意力的推荐（LESSR）模型相比，所提模型的召回率和MRR分别提升了0.92和0.45个百分点，验证了改进胶囊网络对用户兴趣偏好提取的有效性。