基于压缩图神经网络的在线服务高效用户序列学习
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文提出了一种自我监督图神经网络（SelfGNN）框架，用于顺序推荐。该框架通过时间间隔编码短期图，利用图神经网络学习用户与物品的短期关系，增强模型的鲁棒性。实验证明，SelfGNN在推荐性能上优于多种基线模型。
🔎
延伸解读
短期图与长期兴趣的协同
SelfGNN通过时间间隔编码短期图，利用GNN学习短期协作关系，同时通过间隔融合和动态行为建模捕捉长期用户和物品表示。这种多粒度设计旨在平衡短期动态与长期偏好，为顺序推荐提供更全面的用户建模。
自增强学习提升鲁棒性
短期图可能包含噪声，影响推荐质量。SelfGNN引入个性化自增强学习结构，根据长期用户兴趣和个人稳定性减轻噪声，从而增强模型鲁棒性。这一机制有助于在动态环境中保持稳定表现。
实验验证与性能优势
论文通过广泛实验证明，SelfGNN在推荐性能上优于多种最先进的基线模型。这表明结合短期图编码与长期表示学习的方法在顺序推荐任务中具有实际有效性，为后续研究提供了参考。
❓
Q&A
自我监督图神经网络（SelfGNN）是什么？
SelfGNN是一种用于顺序推荐的新型框架，通过时间间隔编码短期图，利用图神经网络学习用户与物品的短期关系。
SelfGNN如何增强模型的鲁棒性？
SelfGNN通过个性化自增强学习结构减轻短期图中的噪声，从而增强模型的鲁棒性。
SelfGNN在推荐性能上与其他模型相比如何？
实验证明，SelfGNN在推荐性能上优于多种基线模型。
SelfGNN是如何处理用户和物品的长期关系的？
SelfGNN通过间隔融合和动态行为建模，捕捉长期用户和物品的表示。
SelfGNN的主要创新点是什么？
SelfGNN的主要创新点在于其自我监督学习框架和对短期图的时间间隔编码。
SelfGNN如何利用图神经网络进行学习？
SelfGNN利用图神经网络学习用户与物品之间的短期协作关系。
🏷️
