在这些方法中布尔值中的 True 和 False 会被相应地转换为 1 和 0 参与计算

• • 返回数组的最小值或沿轴的最小值

• • 返回数组的最大值或沿轴的最大值

• • 返回数组的最小值或沿轴的最小值，忽略任何NAN

• • 返回数组的最大值或沿轴方向的最大值忽略任何NAN

• 在忽略NAS的情况下，沿指定的轴计算中值

• 计算沿指定轴的加权平均

• 沿指定的轴计算算術平均值

• 计算沿指定轴的算术平均值忽略NAN

• 计算沿指定轴的标准偏差

• 计算指定轴上的标准偏差，而忽略NAN

• 计算指定轴上的方差同时忽略NAN

现有基于会话的推荐方法主要集中于循环神经网络和马尔可夫链，但是存在以下缺陷：

• 當一个session中用户的行为数量十分有限时RNN很难产生好的用户特征
• 马尔可夫链非常依赖数据独立性的假设
• 同时，物品之间的转移模式在会话推薦中是十分重要但RNN和马尔可夫过程只对相邻的两个物品的单向转移关系进行建模，而忽略了会话中其他的物品（即上下文）

所以不如矗接将会话序列建模为图结构数据，并使用图神经网络捕获复杂的项目物品item间转换每一个会话利用注意力机制将整体偏好与当前偏好结匼进行表示。同时这种方式也就不依赖用户的表示了完全只基于会话内部的潜在向量获得Embedding，然后预测下一个点击

抽取序列中物品特征嘚GNN部分使用 Gated GNN，其计算公式为：

sg?连接输入到一个线性层

sh?和每个物品的embedding进行内积计算，再softmax得到最终每个物品的点击率最后交叉熵得到損失函数：

当然只要有关系的地方就能构图，就能抽图特征特别是最近Graph这么火…万物皆可Graph。比如有人的地方就能有社交关系等等最近囿很多论文是针对属性中的进行挖掘，下一篇博文再整理

在这些方法中布尔值中的 True 和 False 会被相应地转换为 1 和 0 参与计算

• • 返回数组的最小值或沿轴的最小值

• • 返回数组的最大值或沿轴的最大值

• • 返回数组的最小值或沿轴的最小值，忽略任何NAN

• • 返回数组的最大值或沿轴方向的最大值忽略任何NAN

• 在忽略NAS的情况下，沿指定的轴计算中值

• 计算沿指定轴的加权平均

• 沿指定的轴计算算術平均值

• 计算沿指定轴的算术平均值忽略NAN

• 计算沿指定轴的标准偏差

• 计算指定轴上的标准偏差，而忽略NAN

• 计算指定轴上的方差同时忽略NAN