The COVID-19 pandemic is swiftly changing our behaviors toward online channels across the globe Cultural patterns of working, thinking, shopping, and use of technology are changing accordingly Customers are seeking convenience in online shopping It is the peak time to assist the digital marketplace with right kind of tools and technologies that uses the strategy of click and collect Session-based recommendation systems have the potential to be equally useful for both the customers and the service providers These frameworks can foresee customer's inclinations and interests, by investigating authentic information on their conduct and activities Various methods exist and are pertinent in various situations We propose a product recommendation system that uses a graph convolutional neural network (GCN)-based approach to recommend products to users by analyzing their previous interactions Unlike other conventional techniques, GCN is not widely explored in recommendation systems Therefore, we propose a variation of GCN that uses optimization strategy for better representation of graphs Our model uses session-based data to generate patterns The input patterns are encoded and passed to embedding layer GCN uses the session graphs as input The experiments on data show that the optimized GCN (OpGCN) was able to achieve higher prediction rate with around 93% accuracy as compared with simple GCN (around 88%)

中文翻译：

---

通过在线产品推荐实现“Untact”文化：一种优化的基于 Graph-CNN 的方法

COVID-19 大流行正在迅速改变我们对全球在线渠道的行为 工作、思考、购物和技术使用的文化模式正在发生相应的变化 客户正在寻求在线购物的便利 现在是协助数字市场使用点击收集策略的正确工具和技术 基于会话的推荐系统有可能对客户和服务提供商同样有用 这些框架可以预见客户的倾向和兴趣，通过调查他们的行为和活动的真实信息 存在各种方法并且在各种情况下都是相关的 我们提出了一种产品推荐系统，该系统使用基于图卷积神经网络 (GCN) 的方法通过分析用户以前的交互向用户推荐产品 不同于其他传统的技术，GCN 在推荐系统中并未得到广泛探索 因此，我们提出了 GCN 的一种变体，它使用优化策略来更好地表示图 我们的模型使用基于会话的数据来生成模式 输入模式被编码并传递到嵌入层 GCN 使用会话图作为输入数据实验表明，与简单的 GCN（约 88%）相比，优化的 GCN（OpGCN）能够以约 93% 的准确率实现更高的预测率我们提出了一种 GCN 的变体，它使用优化策略来更好地表示图 我们的模型使用基于会话的数据来生成模式 输入模式被编码并传递到嵌入层 GCN 使用会话图作为输入 数据实验表明优化与简单的 GCN（约 88%）相比，GCN（OpGCN）能够以约 93% 的准确率实现更高的预测率