图神经网络加持，突破传统推荐系统局限！北大港大联合提出SelfGNN：有效降低信息过载与数据噪声影响

文章预览

   新智元报道   编辑：LRST 好困 【新智元导读】 SelfGNN框架结合了图神经网络和个性化自增强学习，能够捕捉用户行为的多时间尺度模式，降低噪声影响，提升推荐系统鲁棒性。 顺序推荐通过模拟用户的时间和顺序交互模式有效地解决了信息过载问题，为了克服监督信号的局限性，一些方法在推荐系统中采用了自监督学习技术。 然而，仍有两个关键挑战尚未解决。 首先，现有的顺序模型主要集中于长期建模个别交互序列，忽视了不同用户行为之间宝贵的短期合作关系。 其次，现实世界的数据通常包含噪声，特别是在用户的短期行为中，这可能源于临时意图或误点击，这种噪声对图模型和序列模型的准确性产生负面影响，进一步复杂化了建模过程。 为了克服上述难题，北京大学、香港大学的研究人员提出了一种名为 Self-Supervised Graph Neural Network ………………………………