|性能超越最新序列推荐模型，华为诺亚方舟提出记忆增强的图神经网络( 四 )

本文插图

本文插图

评估
本部分介绍了评估实验的设置和结果。
数据集
我们在五个真实世界数据集上对模型的效果进行了评估：MovieLens-20M,Amazon-BooksandAmazon-CDs,Goodreads-ChildrenandGoodreads-Comics 。我们保留评分不低于4星的商品作为积极输入，其他作为缺失输入。为过滤噪音信息，仅保留评分多于10个的用户和商品。预处理后数据集情况表1 。
表1：数据集统计数据

本文插图

评估指标
我们使用Recall@K和NDCG@K对所有模型进行了评估。
用于比较的推荐方法
我们比较了下述所有模型的表现：（1）BPRMF; (2) GRU4Rec; (3)GRU4Rec+; (4)GC-SAN; (5)Caser; (6)SASRec; (7)MARank; (8)MA-GNN 。
实验设置
试验中，所有模型的隐维度均设定为50 。对基于短序列的（session-based）方法，设定一个短时窗口中的商品作为一个序列。模型超参数依据验证集基于原论文设置进行微调。对于MA-GNN ，设置 |L| = 5, |T| = 3 。
性能比较
表2：所有方法的性能比较。其中，标下划线的是同任务中表现最佳的模型。

本文插图

消融实验
表3：消融分析。 S 代表短期兴趣模块， H 代表长期兴趣模块， concat代表串接操作。

本文插图
【|性能超越最新序列推荐模型，华为诺亚方舟提出记忆增强的图神经网络】

超参数的影响
多维度注意力模型的维度h和记忆单元数量m是本文模型中两个最重要的超参数。其对模型的影响见图3 。

本文插图

图3：h和m的变化
记忆可视化
为验证每一记忆单元是否可以表示一个特定类型的用户兴趣，我们在MovieLens数据集上进行了一个案例研究。记忆网络的注意力可视化情况如图4 。

本文插图

图4：记忆网络注意力可视化
结论
本文对于序列推荐任务，提出了记忆增强的图神经网络（MA-GNN）。该模型使用GNN对商品对短期情境信息建模，并使用记忆网络捕捉长期商品依赖关系。除用户兴趣建模之外，我们还使用双显性函数对商品对特征关联进行了建模。在五个真实世界数据集上的实验结果显示， MA-GNN的性能超越了已有的许多最新的序列推荐模型。
论文链接：
https://arxiv.org/pdf/1912.11730