Session-based recommendation (SR) is important in online applications for its ability to predict user’s next interactions solely based on ongoing sessions. To recommend proper items at proper time are two key aspects in SR. The sequence of items in a session implies user’s preferences shift, which may give us clues about when the user interacted. The graph constructed based on a session can give latent structural dependencies between items, which may give us clues about which items users interacted with. They complement each other and collaborate to boost the performance of recommendation. Based on the motivation, we propose a novel sequence and graph structure co-awareness session-based recommendation model, namely SeqGo for short. In this model, a gated recurrent unit is employed to obtain sequence information and a gated graph neural network to get graph structure information. A two-stage fusion strategy is built to combine these two types of information to generate the representation of the general interest of users. The gating mechanism is used to calculate the relative importance of sequence and graph structure information. Then, multi-head masked self-attention is applied to assign different weights to different items and ignore irrelevant items. The user's general interest and the last item representing the user's current interest are combined to get the session representation to predict the probability of clicking on the next items. Experiment results on two real-world datasets show that SeqGo outperforms the state-of-the-art baselines.

基于会话的推荐（SR）在在线应用程序中非常重要，因为它能够仅基于正在进行的会话来预测用户的下一次交互。在适当的时间推荐适当的项目是 SR 的两个关键方面。会话中项目的顺序意味着用户偏好的变化，这可能会给我们提供有关用户何时交互的线索。基于会话构建的图可以给出项目之间潜在的结构依赖性，这可以为我们提供有关用户与哪些项目交互的线索。它们相互补充并协作以提高推荐性能。基于这个动机，我们提出了一种新的基于序列和图结构协同感知会话的推荐模型，简称 SeqGo。在这个模型中，门控循环单元用于获取序列信息，门控图神经网络用于获取图结构信息。构建了一个两阶段融合策略来组合这两种类型的信息以生成用户普遍兴趣的表示。门控机制用于计算序列和图结构信息的相对重要性。然后，应用多头屏蔽自注意力为不同的项目分配不同的权重并忽略不相关的项目。将用户的一般兴趣和代表用户当前兴趣的最后一个项目结合起来，得到会话表示，以预测点击下一个项目的概率。两个真实世界数据集的实验结果表明，SeqGo 优于最先进的基线。构建了一个两阶段融合策略来组合这两种类型的信息以生成用户普遍兴趣的表示。门控机制用于计算序列和图结构信息的相对重要性。然后，应用多头屏蔽自注意力为不同的项目分配不同的权重并忽略不相关的项目。将用户的一般兴趣和代表用户当前兴趣的最后一个项目结合起来，得到会话表示，以预测点击下一个项目的概率。两个真实世界数据集的实验结果表明，SeqGo 优于最先进的基线。构建了一个两阶段融合策略来组合这两种类型的信息以生成用户普遍兴趣的表示。门控机制用于计算序列和图结构信息的相对重要性。然后，应用多头屏蔽自注意力为不同的项目分配不同的权重并忽略不相关的项目。将用户的一般兴趣和代表用户当前兴趣的最后一个项目结合起来，得到会话表示，以预测点击下一个项目的概率。两个真实世界数据集的实验结果表明，SeqGo 优于最先进的基线。门控机制用于计算序列和图结构信息的相对重要性。然后，应用多头屏蔽自注意力为不同的项目分配不同的权重并忽略不相关的项目。将用户的一般兴趣和代表用户当前兴趣的最后一个项目结合起来，得到会话表示，以预测点击下一个项目的概率。两个真实世界数据集的实验结果表明，SeqGo 优于最先进的基线。门控机制用于计算序列和图结构信息的相对重要性。然后，应用多头屏蔽自注意力为不同的项目分配不同的权重并忽略不相关的项目。将用户的一般兴趣和代表用户当前兴趣的最后一个项目结合起来，得到会话表示，以预测点击下一个项目的概率。两个真实世界数据集的实验结果表明，SeqGo 优于最先进的基线。将当前兴趣组合起来以获得会话表示，以预测点击下一个项目的概率。两个真实世界数据集的实验结果表明，SeqGo 优于最先进的基线。将当前兴趣组合起来以获得会话表示，以预测点击下一个项目的概率。两个真实世界数据集的实验结果表明，SeqGo 优于最先进的基线。