融合多層圖與分類信息的雙意圖會話推薦

摘 要：針對現(xiàn)有會話推薦系統(tǒng)存在的會話間信息挖掘不夠充分、會話間聚合信息冗余和輔助信息未與會話特征相結合的問題，提出融合多層圖與分類信息的雙意圖會話推薦模型（SRIMC）。首先，根據會話序列，構建局部會話圖、會話關系圖和全局項目圖，通過圖神經網絡（GNN）學習得到局部會話特征、會話關系特征和全局項目會話特征，并將上述特征結合獲得α意圖；其次，基于替換先驗分布為β分布的貝葉斯分布整合分類信息與會話長度信息，獲得β意圖；最后，將α和β意圖融合進行預測。在五個公開數據集上的實驗結果表明，SRIMC的P@20提升了1.23%～51.78%，MRR@20提升了2.87%～80.87%，證明了模型利用多層會話信息與分類信息捕獲用戶意圖的有效性。

關鍵詞：會話推薦；多層信息；圖神經網絡；分類信息；雙意圖

中圖分類號：TP391"" 文獻標志碼：A""" 文章編號：1001-3695（2025）04-012-1058-07

doi： 10.19734/j.issn.1001-3695.2024.08.0323

Dual intent session-based recommendation integrating multi-layer graphs and classification information

Liu Chao， Wang Zhongdi， Yu Yanhua， Zhu Jun

（School of Computer Science amp; Engineering， Chongqing University of Technology， Chongqing 400054， China）

Abstract：Aiming to address the issues in existing session-based recommendation systems， such as insufficient mining of information between sessions， redundant aggregation of information between sessions， and the lack of integration of auxiliary information with session features， this paper proposed a dual intent session-based recommendation model integrating multi-layer graph and classification information model（SRIMC）. Firstly， based on session sequences， the paper constructed a local session graph， a session relationship graph， and a global project graph. By using GNN ， the method learned the local session features， session relationship features， and global items session features， and combined these features to obtain the α-intent. Next， by integrating classification information and session length information using a Bayesian distribution that replaced the prior with a β-distribution， the method obtained the β-intent. Finally， α-intent and β-intent were combined for prediction. Experimental results on five public datasets show that the SRIMC model improves P@20 by 1.23% to 51.78% and MRR@20 by 287% to 8087%， demonstrating the model’s effectiveness in capturing user intent by leveraging multi-layer session information and classification information.

Key words：session-based recommendation（SBR）; multi-layer information; graph neural network（GNN）; classification information; dual intent

0 引言

“會話”是指在一定時間內用戶與網站發(fā)生交互的行為［1］。會話推薦（SBR）利用用戶的即時交互信息捕捉用戶意圖進行推薦。相比于傳統(tǒng)推薦算法，會話推薦不僅能捕捉用戶的即時意圖，同時能夠在用戶個人信息未知的情況下完成推薦。SBR廣泛用于電子商務、社交媒體等多個領域，為用戶提供了良好的推薦服務。

早期方法主要有基于馬爾可夫鏈（Markov chains， MC）［2］和基于項目的領域方法［3］。前者利用用戶的上一操作預測其下一操作，后者根據項目的相似性矩陣來完成推薦。前述方法均無法捕捉長期偏好。之后，有研究者提出基于循環(huán)神經網絡（recurrent neural network，RNN）［4］的方法，該類方法通過隱藏層之間的循環(huán)連接實現(xiàn)對序列中上下文信息的建模，但僅能捕獲連續(xù)項目之間的單向轉換。近年來，基于圖神經網絡的方法越來越流行，圖神經網絡通過對項目間的復雜轉換關系建模，可以提取會話內的項目轉換信息［5］、項目全局信息、會話層全局信息［6，7］和輔助信息［8，9］以提高預測效果。

現(xiàn)有研究仍然存在一些問題：a）為了捕獲會話內和會話間的信息，現(xiàn)有研究要么僅利用會話內和會話關系信息，要么僅利用會話內和全局項目信息，沒有同時考慮到這三種重要的信息來源，對會話信息挖掘不充分；b）會話關系圖將具有相同節(jié)點的會話建立聯(lián)系，但是與當前會話有聯(lián)系的會話大多存在冗余節(jié)點，現(xiàn)有研究在聚合會話層信息時，大多忽略了對冗余信息的擯棄，從而導致信息紊亂，難以預測用戶的真實意圖；c）現(xiàn)有研究在引入輔助信息的過程中大多未與會話序列本身的特征相結合，輔助信息發(fā)揮的作用有限。

針對上述問題，提出一種融合多層圖與分類信息的雙意圖會話推薦模型SRIMC。在會話序列的三個層面上構建對應的圖獲取特征，其中局部會話特征通過單個會話序列構建局部會話圖獲得，會話關系特征通過以單個會話序列為超邊構建的會話關系圖獲得。全局項目特征通過以所有節(jié)點構建的全局項目圖獲得，通過同時構建這三種來圖利用會話內信息、會話關系信息和全局項目信息三種重要的信息來源。為了減少對當前會話冗余信息的引入，對會話關系圖采用稀疏化方法丟棄部分鏈接邊以減少冗余信息，同時保持圖的連通性。通過替換先驗分布為β分布的貝葉斯分布將項目分類信息與會話序列本身的長度特征結合為會話特征作補充。該方法的主要貢獻如下：

a）模型在會話內、會話關系層及全局項目層上構建對應的圖，通過圖神經網絡提取三個不同層級的特征并融合三種特征得到會話嵌入。

b）設計了稀疏性會話關系圖，通過構建最小生成樹的方式對會話關系圖丟邊，減少無法反映用戶意圖的節(jié)點信息對用戶意圖的干擾。

c）將項目分類信息與會話本身的長度特征相結合，為節(jié)點特征作信息補充，更有效地發(fā)揮輔助信息的作用。

1 相關工作

基于圖神經網絡的會話推薦方法是目前會話推薦的主流推薦方法之一，該研究可以分為以下三類：

a）利用會話內信息的方法。該方法對單個會話序列構建局部會話圖，通過神經網絡捕捉單條會話內項目的轉換信息進行預測。Wu等人［5］提出SR-GNN，采用圖神經網絡來捕捉項目之間的轉換關系，再結合注意力機制，有效提升抓取用戶意圖的能力。文獻［10，11］將GNN分別結合自注意力機制與目標注意力機制提升模型性能。Li等人［12］提出Dis-GNN模型，通過解耦技術學習因子級的項目表示，充分考慮了用戶對物品某方面的愛好。但是這些方法僅利用會話內的信息，在會話序列稀疏的情況下，提取的信息對用戶意圖的建模能力較弱。

b）利用會話間信息的方法。該方法將本會話外的信息聚合到該會話以提升預測效果，聚合方式分為以會話為單位聚合和以項目為單位聚合兩個層面。Wang等人［6］提出GCE-GNN，通過構建項目全局圖的方式，捕捉項目全局上下文轉換信息，再利用圖神經網絡來獲得項目間的全局轉換信息。文獻［7，13］除了引入項目級的全局信息，還考慮會話序列之間的相識度，提取了會話層次的信息。Wang等人［14］采用超圖和對比學習對會話內表示和全局表示進行加強。Li等人［15］將解耦技術應用在項目全局圖提取因子級項目表示。王倫康等人［16］將全局級和會話級會話表示結合并自適應地學習多意圖的用戶偏好。但是這些方法沒有同時考慮到會話內信息、會話層和項目層的會話間信息，對會話序列的信息挖掘仍有可探索的空間。

c）引入輔助信息的方法。該方法將會話序列以外的信息引入模型中輔助預測緩解會話序列的數據稀疏問題。Song等人［8］通過RNN和GAN建模用戶的動態(tài)行為和社交影響，提出了DGREC模型，該模型能夠動態(tài)地捕捉用戶當前的興趣。Jin等人［9］提出了Nir-GNN模型，通過采用替換先驗分布為β分布的貝葉斯分布引入分類信息，根據屬性信息來進行新項目推薦。這些方法在引入輔助信息時，沒有考慮到與會話特征結合，輔助信息發(fā)揮的作用有限。

2 問題定義

會話推薦是根據用戶的交互數據對用戶的下一次點擊項目進行預測。設S={s1，s2，…，sS}表示數據集中所有會話序列的集合，V={v1，v2，…，vV}表示會話序列集中所有且唯一項目的集合，I={c1，c2，…，cI}表示所有分類的集合。序列s={vs，1，vs，2，…，vs，n}表示一個按照時間戳排序的匿名會話，其中vs，i∈V，n表示會話s的長度。分類信息定義為C={（vi，cj）|vi∈V，cj∈I}，其中（vi，cj）表示vi屬于分類cj。根據會話序列集S和對應節(jié)點的分類信息C學習一個預測模型，當給定一個序列sq={vq，1，vq，2，…，vs，n－1}，推薦可能為vs，n的前K個候選項目。

3 模型構建

本文提出一種融合多層圖與分類信息的雙意圖會話推薦模型SRIMC，如圖1所示。首先，分別構建局部會話圖、稀疏性會話關系圖和全局項目圖，通過圖神經網絡生成局部會話特征、全局項目會話特征和會話關系特征。其次，用全局項目會話特征和會話關系特征對局部會話特征進行優(yōu)化，并將優(yōu)化得到的局部會話特征與其余兩種特征線性融合得到α意圖。接下來，通過替換先驗分布為β分布的貝葉斯分布引入分類信息，與會話長度特征結合，給局部會話特征作補充以形成β意圖。最后，將α和β意圖線性融合得到最終會話嵌入以預測下一個點擊項。

3.1 圖的構建及嵌入生成

3.1.1 局部會話嵌入生成

對于每個會話序列s={vs，1，vs，2，…，vs，n}，該方法構建一個會話圖Glo=（vlo，εlo），其中vlo是s會話中點擊項目的集合，εlo是s中邊的集合。（vs，i，vs，j）∈εlo表示在vs，i和vs，j之間存在邊。構建鄰接矩陣來存儲節(jié)點之間的關系。邊集中包含四種類型的邊，分別是出邊（在鄰接矩陣中表示為2）、入邊（在鄰接矩陣中表示為3）、雙向邊（在鄰接矩陣中表示為4）、自指邊（在鄰接矩陣中表示為1），0表示節(jié)點間無邊，如圖2所示。

4 實驗

4.1 實驗設置

4.1.1 數據集

在本節(jié)中，對五個公開可用的數據集進行實驗以展示該方法的有效性，如表1所示。由于缺乏Nowplaing數據集的分類信息，所以在Nowplaing數據集上的實驗沒有利用輔助信息。

a）Diginetica來自CIKM Cup 2016，包含從電子商務搜索引擎日志中提取的五個月的匿名用戶交易信息。

b）Tmall來自IJCAI15競賽，記錄了匿名用戶在名為天貓的在線購物平臺上的購物日志。c）Yoochoose是由YOOCHOOSE GmbH為支持RecSys Challenge 2015而構建的，它記錄用戶在電子商務網站上的點擊，采用其1/64的數據進行訓練。

d）Nowplaying［18］來自Twitter，包含描述用戶的音樂收聽行為的數據。

e）RetailRocket是一個電子商務網站用戶的行為數據，包括4.5個月內網站訪問者的行為數據，行為分為點擊、加入購物車和交易三類。

對于每個數據集，隨機劃分90%作為訓練集，10%作為測試集。Tmall、Nowplaying和Yoochoose1_64的潛在向量維度固定為275，Diginetica、RetailRocket向量維度固定為100，批量大小設置為100。L2懲罰設為10-5。提出的方法選擇Adam優(yōu)化器，其初始學習率為0.001，每3個周期衰減0.1。會話關系圖卷積層數設為3，局部會話圖和全局項目圖聚合次數設為1。采用信息檢索中廣泛使用的評估指標：精度（P@20）和平均倒數排名（MRR@20）來評估性能，P@20和MRR@20的值越大，表示模型的預測性能越高。

4.1.2 實驗分析

為了評估SRIMC模型的性能，選取11個模型進行對比實驗：

Item-KNN［3］推薦與上次點擊的項目高度相似的項目。

FPMC［19］是一個結合馬爾可夫鏈和矩陣分解的混合模型。

GRU4Rec［4］是第一個基于RNN的序列建模的模型。

NARM［20］通過注意力機制增強RNN，以突出用戶當前會話的目標。

SR-GNN［5］使用GGNN作為編碼器來捕獲項目之間的轉換關系。

GCE-GNN［6］使用GNN從局部會話圖和全局項目圖中有效地學習會話表示。

DHCN［7］將超圖用于SBR的模型，借助超圖的性質，可以有效地捕獲比普通變換關系更高階的信息。

Dis-GNN［12］模型通過解耦技術學習因子級的項目表示。

SCL［21］是一個擴展模塊，可以消除任何正/負樣本構造的需求，實驗在GCE-GNN模型上完成。

CT-GNN［22］通過學習會話項目之間的時間關聯(lián)關系來提高會話推薦的準確性和多樣性。

GCAN［23］結合會話圖中挖掘的項目轉換信息和會話序列中的鏈式用戶興趣，來建模用戶對特定子序列的興趣。

4.2 實驗結果

表2展示了實驗結果。在實驗中發(fā)現(xiàn)，Item-KNN考慮了項目之間的相似度，F(xiàn)PMC采用了矩陣分解和馬爾可夫鏈，雖然都獲得了良好的推薦效果，但是難以對會話的長短期偏好建模。GRU4Rec和NARM將RNN引入SBR中，展示了其卓越的序列建模能力，因此它們的預測效果好于Item-KNN和FPMC，但它們無法對會話之間的復雜轉換關系進行建模。SR-GNN、Dis-GNN、GCE-GNN、DHCN、CT-GNN、GCAN和SRIMC通過將會話內的數據構建為圖并使用GNN捕獲成對轉換關系來提高性能，因此它們的效果好于GRU4Rec和NARM。GCE-GNN、DHCN和CT-GNN考慮到了會話間數據的引入，其中GCE-GNN采用了全局項目圖，DHCN采用了會話關系圖，CT-GNN在引入全局項目圖的基礎上，引入了時間信息作為輔助信息，因此整體上的性能比只考慮會話內方法的SR-GNN好。相比于GCE-GNN、DHCN和CT-GNN，SRIMC同時構建了全局項目圖、會話關系圖并引入了輔助信息提升了預測效果。其他方法如SCL（GCE-GNN）采用自對比學習方法增強數據，Dis-GNN在SR-GNN的基礎上采用了解耦技術捕捉用戶的細分偏好，GCAN將序列信息和圖信息相結合使信息更充分，都取得了不錯的效果，但是都略遜于SRIMC。

SRIMC在Diginetica、RetailRocket和Yoochoose數據集上，P@20和MRR@20指標分別提升了1.23%～3.71%和287%～13%，在Tmall和Nowplaying上，提升為15.47%～51.78%和25.35%～80.87%。由于在五個數據集中，Diginetica、RetailRocket和Yoochoose用戶交互行為比Tmall和Nowplaying復雜，基線模型捕捉用戶意圖的轉換已經達到較好的效果，Tmall和Nowplaying數據集上用戶交互行為相對簡單，基線的數值相對較低，SRIMC通過對會話建立三個層級的會話圖并加入輔助信息緩解了用戶交互行為簡單的問題，在Tmall和Nowplaying數據集上提升的效果更好。這些結果表明提出的SRIMC模型能夠充分提取并利用會話內和會話間的信息，并適當地引入分類信息為會話特征作信息補充以提升預測效果，在會話推薦任務中有較大優(yōu)勢。

4.3 實驗結果

為了探究SRIMC模型中各個模塊的作用，在Diginetica、Tmall和Yoochoose_64數據集上對不同的組成部分進行了消融實驗。消融實驗的變體模型如下：

a）SRIMC_nl：移除稀疏性會話關系圖，只采用局部會話信息和全局項目信息。

b）SRIMC_nβ：移除β意圖層。

d）SRIMC_ns：將稀疏性會話關系圖替換成保留全部權重的會話關系圖。

實驗結果如圖5所示。從消融實驗的結果可以看出，SRIMC模型與其他模型變體相比，預測的性能都是最佳的，證明了該模型的合理性。

移除稀疏性會話關系圖后，模型在P@20和MRR@20上均有所下降，表明了稀疏性會話關系圖提取會話關系信息的有效性。當移除β意圖學習層后，模型的預測性能大幅度下降，表明了引入分類信息與會話序列長度特征結合補充項目特征有助于緩解會話序列信息稀疏的問題。在替換稀疏性會話關系圖為保留完整邊的會話關系圖后，模型的預測性能下降，表明了相對于原來的會話關系圖，該方法提出的稀疏性會話關系圖在移除會話間的邊減少冗余信息的同時，保持會話之間的連通性，提升了模型的預測效果。Tmall數據集上在移除會話關系圖的SRIMC_nl和替換稀疏性會話關系圖為保留所有邊的原圖的SRIMC_ns兩種變體上，模型效果并沒有顯著下降，說明會話關系信息對在該數據集上影響有限。

4.4 消融實驗與分析

為了探究SRIMC中超參數γ和η對實驗結果的影響，在Tmall和Yoochoose1_64數據集上進行了實驗。γ在β意圖學習層中控制項目分類信息和會話的長度特征的融合比例，η控制α意圖嵌入和β意圖嵌入的融合比例。

a）為了反應兩個信息來源對模型效果的重要程度，將γ的大小設置為［0.1， 0.3， 0.6， 0.7， 0.8， 0.9， 1］。實驗結果如圖6所示，可以看到在兩個數據集上，當γ的值為0.7～0.8時候，模型的P@20和MRR@20曲線平穩(wěn)，預測的效果較好。隨著γ值的上升或下降，預測效果下降。

b）同上，將η的大小設置為［01， 03， 06， 07， 08， 09， 1］。實驗結果如圖7所示，可以看到，在兩個數據集上，隨著η的增加，SRIMC的P@20和MRR@20逐漸提高，當η=0.9時，模型效果達到最佳，Tmall的用戶交互行為比Yoochoose簡單，因此更依賴分類信息的引入作為輔助信息提高預測效果，但是會話序列的轉換信息仍然是該方法的主要信息來源。

4.5 樣本實例分析α和β意圖嵌入

提供一個實例分析場景解釋模型SRIMC中的α和β意圖。使用一個七天內的天貓的點擊購買數據集作為一個例子來解釋SRIMC模型的可用性，該數據集包括用戶點擊與購買的物品序列以及相應物品的分類。

使用從天貓采集到的數據集訓練模型，并選擇三個序列來解釋該模型，分別為i1-i2-i3，i1-i5-i6-i7與i6-i7-i1-i8-i9，如表3所示，對應序列的第二行是相應物品的分類。

a）實例分析α意圖。α意圖經由三層會話圖得到。局部會話信息即單條會話內的信息；會話關系信息為會話層級的信息聚合，基本單位為會話向量，會話向量由項目向量求平均得到，稀疏的會話關系圖會將權重小的邊去掉，如圖8所示；全局項目信息為項目級的信息聚合，每個項目會和序列前后兩個項目連接，基本單位為項目向量，如圖9所示。通過GNN，獲得對應的三個會話嵌入，將其線性組合即為α意圖，如圖10所示。

b）實例分析β意圖。序列1的長度為3，序列2的長度為4，序列3的長度為5。該方法將序列1、2、3對應長度和會話內物品的分類設為獨立編碼，通過式（21）得到線性融合特征，借助式（22）（23）得到每個物品的用戶意圖分布，利用式（24） 添加具有β分布的軟注意力機制提高最近交互的項目的優(yōu)先級，采用式（25）調整每個物品的概率分布使其服從β分布，最后通過式（26）得到β意圖。

將會話序列i1-i2-i3，i1-i5-i6-i7與i6-i7-i1-i8-i9輸入到訓練好的SRIMC模型中，進行直觀分析。會話為［i1， i2， i3］、［i1， i5， i6， i7］、［i6， i7， i1， i8， i9］，每個會話的預測項目為［i4］、［i8］、［i8］，i4和i8的分類為電腦。將每個會話序列輸入到已經訓練好的模型中，得到模型關于每個會話所預測的20個項目備選項目［i3， i6，…，i4，…］，…。目標的預測項目位次分別是第12、8和7位。由圖8、9可以看出，由于序列2和3相同節(jié)點的數量比例較大，所以它們在會話間相互采集的有效信息更多，預測效果更好。分類信息與長度特征的引入有助于把握預測的基本方向。預測結果顯示，本文模型表現(xiàn)良好，可以看出當序列較短時，SRIMC依然能取得不錯的效果，說明本文模型有效發(fā)揮了會話間信息和輔助信息的作用。

5 結束語

本文基于圖神經網絡的會話推薦模型SRIMC主要通過圖神經網絡從四個層面采集信息實現(xiàn)推薦。首先，三層信息結合形成α意圖，分別是由單個會話的項目轉換信息構成的局部會話信息、以會話本身為節(jié)點采集的會話關系信息和以全局項目轉換層采集的全局項目信息。其次，在β意圖學習層引入分類信息與會話長度信息，得到β意圖。最后將α意圖和β意圖結合，從而使模型能夠充分利用會話本身的轉換信息以及項目的分類信息，提高預測的準確率。綜合實驗表明，SRIMC模型可以充分利用會話中的上下文信息、跨會話的上下文信息和分類信息，在五個公共數據集上都實現(xiàn)了先進的性能。在未來，考慮對模型進行一定程度的優(yōu)化，即在保持較高預測效果的情況下精簡模型的架構。

參考文獻：

［1］趙海燕， 趙佳斌， 陳慶奎， 等. 會話推薦系統(tǒng) ［J］. 小型微型計算機系統(tǒng)， 2019， 40（9）： 1869-1875. （Zhao Haiyan， Zhao Jiabin， Chen Qingkui， et al. Session-based recommendation system ［J］. Journal of Chinese Computer Systems， 2019， 40（9）： 1869-1875.）

［2］Feng Shanshan， Li Xutao， Zeng Yifeng， et al. Personalized ranking metric embedding for next new poi recommendation［C］// Proc of the 24th International Joint Conference on Artificial Intelligence. Palo Alto，CA： AAAI Press， 2015： 2069-2075.

［3］Sarwar B， Karypis G， Konstan J，et al. Item-based collaborative filtering recommendation algorithms［C］//Proc of the 10th International Conference on World Wide Web. New York： ACM Press， 2001： 285-295.

［4］Hidasi B， Karatzoglou A， Baltrunas L，et al. Session-based recommendations with recurrent neural networks ［EB/OL］. （2016-03-29）. https：//arxiv.org/abs/1511.06939.

［5］Wu Shu， Tang Yuyuan， Zhu Yanqiao，et al. Session-based recommendation with graph neural networks ［C］//Proc of AAAI Confe-rence on Artificial Intelligence. Palo Alto，CA： AAAI Press， 2019： 346-353.

［6］Wang Ziyang， Wei Wei， Cong Gao， et al. Global context enhanced graph neural networks for session-based recommendation［C］//Proc of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM Press， 2020： 169-178.

［7］Xia Xin， Yin Hongzhi， Yu Junliang，et al. Self-supervised hyper-graph convolutional networks for session-based recommendation［C］//Proc of AAAI Conference on Artificial Intelligence. Palo Alto，CA： AAAI Press， 2021： 4503-4511.

［8］Song Weiping， Xiao Zhiping， Wang Yifan，et al. Session-based social recommendation via dynamic graph attention networks［C］//Proc of the 12th ACM International Conference on Web Search and Data Mi-ning. New York： ACM Press， 2019： 555-563.

［9］Jin Di， Wang Luzhi， Zheng Yizhen，et al. Dual intent enhanced graph neural network for session-based new item recommendation［C］//Proc of ACM Web Conference. New York： ACM Press， 2023： 684-693.

［10］Xu Chengfeng， Zhao Pengpeng， Liu Yanchi，et al. Graph contextua-lized self-attention network for session-based recommendation［C］//Proc of the 28th International Joint Conference on Artificial Intelligence." Palo Alto， CA： AAAI Press， 2019： 3940-3946.

［11］Yu Feng， Zhu Yanqiao， Liu Qiang，et al. TAGNN： target attentive graph neural networks for session-based recommendation［C］//Proc of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM Press， 2020： 1921-1924.

［12］Li Ansong， Cheng Zhiyong， Liu Fan，et al. Disentangled graph neural networks for session-based recommendation ［J］. IEEE Trans on Knowledge and Data Engineering， 2022， 35（8）： 7870-7882.

［13］Qiao Shutong， Zhou Wei， Wen Junhao，et al. Bi-channel multiple sparse graph attention networks for session-based recommendation［C］//Proc of the 32nd ACM International Conference on Information and Knowledge Management. New York： ACM Press， 2023： 2075-2084.

［14］Wang Fuyun， Gao Xingyu， Chen Zhenyu，et al. Contrastive multi-level graph neural networks for session-based recommendation ［J］. IEEE Trans on Multimedia， 2023， 25： 9278-9289.

［15］Li Ansong， Zhu Jihua， Li Zhongyu，et al. Transition information enhanced disentangled graph neural networks for session-based recommendation ［J］. Expert Systems with Applications， 2022， 210： 118336.

［16］王倫康， 高茂庭. 基于超圖卷積網絡和目標多意圖感知的會話推薦算法 ［J］. 計算機應用研究， 2024， 41（1）： 32-38， 44. （Wang Lunkang， Gao Maoting. Session-based recommendation algorithm based on hypergraph convolution network and target multi-intention perception ［J］. Application Research of Computers， 2024， 41（1）： 32-38， 44.）

［17］Van Den Oord A ， Li Yazhe， Vinyals O. Representation learning with contrastive predictive coding ［EB/OL］. （2019-01-22）. https：//arxiv.org/abs/1807.03748.

［18］Zangerle E， Pichl M， Gassler W，et al. #nowplaying music dataset： extracting listening behavior from Twitter［C］//Proc of the 1st International Workshop on Internet-Scale Multimedia Management. New York： ACM Press， 2014： 21-26.

［19］Rendle S， Freudenthaler C， Schmidt-Thieme L. Factorizing persona-lized Markov chains for next-basket recommendation［C］//Proc of the 19th International Conference on World Wide Web. New York： ACM Press， 2010： 811-820.

［20］Li Jing， Ren Pengjie， Chen Zhumin，et al. Neural attentive session-based recommendation［C］//Proc of ACM on Conference on Information and Knowledge Management. New York： ACM Press， 2017： 1419-1428.

［21］Shi Zhengxiang， Wang Xi， Lipani A. Self contrastive learning for session-based recommendation［C］// Proc of European Conference on Information Retrieval. Cham： Springer， 2024： 3-20.

［22］Chen Quanzhen， Jiang Feng， Guo Xuyao，et al. Combine temporal information in session-based recommendation with graph neural networks ［J］. Expert Systems with Applications， 2024， 238： 121969.

［23］Zhu Xiaoyan， Zhang Yu， Wang Jiayin，et al. Graph-enhanced and collaborative attention networks for session-based recommendation ［J］. Knowledge-Based Systems， 2024， 289： 111509.