《Computers》：Hypergraph Conversational Recommendation System Fusing Pairwise Relationships
编辑推荐：
本文系统综述了融合成对关系超图神经网络（HCRS-PR）在会话推荐系统（CRS）中的创新应用。作者通过构建会话超图（Session Hypergraph）和知识超图（Knowledge Hypergraph）联合建模高阶复杂关联，结合关系图卷积网络（R-GCN）编码外部知识图谱（KG），提出动态加权策略融合高阶与成对特征，并采用基于多项分布采样的束搜索解码增强语义多样性。该框架有效解决了数据稀疏性和动态偏好捕捉难题，为下一代智能推荐系统提供了理论支撑与技术路径。
研究背景与会话推荐系统挑战
会话推荐系统（CRS）作为推荐系统与自然语言处理的交叉领域，旨在通过多轮对话动态捕捉用户偏好并生成个性化推荐。传统CRS面临两大核心挑战：一是会话数据稀疏性导致用户意图推断不准确，二是动态交互中复杂语义关系建模不足。现有方法多基于图结构（如会话图）捕捉项目转移模式，但普通图模型难以表征多实体间的高阶关联，且未能有效融合外部知识。
超图结构定义与建模创新
为突破传统二分图局限，本研究引入超图理论构建双重超图结构。超图??可定义为顶点集??和超边集?的二元组，其关联矩阵??通过超边连接多个节点，天然支持“多对多”关系建模。具体地，会话超图??s将会话中交互的项目集合表示为超边，通过共享节点实现跨会话语义流动；知识超图??k则通过注入外部知识图谱（如DBpedia）实体与关系，扩展项目语义邻域。以电影推荐场景为例，《低俗小说》《落水狗》《杀死比尔》三部电影在对话中被同一超边关联，同时通过知识超图链接至导演、演员等外部实体。
知识图谱编码与关系感知特征增强
针对异构关系建模，本研究采用关系图卷积网络（R-GCN）编码知识子图。R-GCN通过关系特定权重矩阵区分不同关系路径，实体??在第??+1层的嵌入更新公式为：
????(??+1)= ??(∑??∈??∑??′∈?????(1/????,??)????(??)????′(??)+ ??(??)????(??))
其中????,??为归一化系数，????(??)为关系特定权重。该模块输出融合类型感知关系语义的实体嵌入，作为超图节点初始特征。
成对关系融合与动态权重机制
在超图卷积基础上，提出特征嵌入增强模块分析节点间成对关系影响权重。通过计算会话内项目间的共现强度、知识图谱中的路径相似度等指标，构造关系权重矩阵。采用门控机制动态调整高阶超图特征与成对关系的融合比例，公式表示为：
?? = ????????? + (1???)???pair????
其中??为超图卷积结果，??pair为成对关系矩阵，??为自适应权重参数。该机制使模型能根据会话上下文灵活平衡群体偏好与个体关联。
多任务学习与响应生成优化
框架采用多任务学习联合优化推荐与对话生成。推荐模块基于增强后的项目嵌入预测下一交互项目，损失函数结合交叉熵与对比学习；对话生成模块采用编码器-解码器架构，将推荐结果与对话历史共同输入Transformer解码器生成自然语言响应。为提升语义多样性，在束搜索解码中引入多项分布采样策略，从候选集中按概率分布动态选择生成词符，避免重复模板化响应。
实验验证与性能分析
在Redial、OpenDialKG等基准数据集上的实验表明，HCRS-PR在推荐准确率（HR@10提升5.3%、NDCG@10提升7.1%）和对话质量（困惑度降低12%）上均优于基线模型。消融实验验证了超图结构对捕获长程依赖的有效性——在稀疏会话中，超图模型相比普通图模型的HR@10提升达9.8%。案例研究显示，模型能通过知识超图关联《盗梦空间》与《记忆碎片》等语义相关项目，成功应对冷启动场景。
结论与未来方向
本研究提出的HCRS-PR框架通过超图神经网络与成对关系融合，实现了会话推荐中高阶语义与细粒度关联的协同建模。未来工作将探索超边动态生成机制、跨领域知识迁移以及多模态对话上下文建模，进一步推动CRS在复杂场景下的实用化进程。
