| 推薦系統(tǒng) | 知識(shí)追蹤 |
|---|---|
| 每個(gè)session構(gòu)造一個(gè)有向圖，邊的權(quán)重歸一化退客，先把所有session的圖依次輸入GGNN骏融，然后就能得到所有節(jié)點(diǎn)的embedding表示 | |
| 然后用這些節(jié)點(diǎn)來表示global preference和local interests，將他們組合就得到每個(gè)session的embedding | 將長期表現(xiàn)（可以是學(xué)習(xí)能力）和當(dāng)前表現(xiàn)（最近表現(xiàn)）組合在一起當(dāng)做當(dāng)前session的embedding |
| 使用了利用門控信息來進(jìn)行更新的Gated Graph Neural Network(GGNN) | 打算使用GCN |
| 沒有使用用戶embedding萌狂，而是生成session embedding | |
| 通過GGNN生成node vector档玻，所有圖中的節(jié)點(diǎn)的embedding都是一樣的，節(jié)點(diǎn)表示物品 | |
| 會(huì)話具有連續(xù)性 | 做題順序沒有連續(xù)性 |
| 把session graphs輸入到GGNN | 把一段時(shí)間的做題情況輸入圖茫藏，生成這段時(shí)間圖的embedding误趴，前n-1個(gè)作為訓(xùn)練數(shù)據(jù)，第n個(gè)作為預(yù)測(cè)數(shù)據(jù)务傲，用來訓(xùn)練 |
| 將每個(gè)session里前n-1個(gè)數(shù)據(jù)作為訓(xùn)練集凉当，預(yù)測(cè)最后一個(gè)點(diǎn)擊 |
node vector = node representation = node embedding
3.3 通過GGNN學(xué)習(xí)session里節(jié)點(diǎn)的node vector
更新節(jié)點(diǎn)過程：用到了門的概念
- 以前的基于會(huì)話的模型總是對(duì)用戶建模，但是我們根據(jù)node vector售葡，為每個(gè)session制造一個(gè)embedding看杭。將長期愛好和當(dāng)前會(huì)話的愛好組合形成embedding，作為當(dāng)前session的embedding挟伙。
把所有的圖輸入GGNN楼雹，我們將獲得節(jié)點(diǎn)的向量，取最后一個(gè)作為Sl尖阔，然后根據(jù)solf-attention贮缅，獲得Sg，合并得到Sh介却。
