I TEM - BASED K NOWLEDGE G RAPH FOR U NDERSTANDING U SER I NTENT IN S ESSION -B ASED R ECOMMENDATION S YSTEMS

Abstract

Recommendation systems are crucial for improving user experiences through personalized suggestions based on predicted preferences. Session-based recommendation systems focus on predicting the next item a user is likely to interact with based on their current ses- sion activities. This research introduces a novel session-based next-item recommendation model that utilizes Knowledge Graphs (KGs) to uncover user intents within sessions. Ex- isting recommendation models often struggle with basic relational modeling, limiting their ability to capture detailed user-item relationships and long-term connections. Our pro- posed approach, inspired by hierarchical semantic networks, addresses these limitations by integrating KGs to better understand user intents and improve intra-session dependency modeling. By leveraging item auxiliary KGs, our model provides more precise and person- alized recommendations. We assess the effectiveness of our approach in terms of recom- mendation accuracy and personalization, demonstrating the model’s capability to provide explainability for its recommendations.

Les systèmes de recommandation sont cruciaux pour améliorer l’expérience utilisateur en proposant des suggestions personnalisées basées sur les préférences prédites. Les sys- tèmes de recommandation basés sur la session se concentrent sur la prédiction du prochain élément avec lequel un utilisateur est susceptible d’interagir en fonction de ses activités de session actuelles. Cette recherche présente un nouveau modèle de recommandation d’élément suivant basé sur la session qui utilise des Graphes de Connaissances (KGs) pour découvrir les intentions des utilisateurs au sein des sessions. Les modèles de recomman- dation existants ont souvent du mal avec la modélisation relationnelle de base, ce qui limite leur capacité à capturer les relations détaillées entre l’utilisateur et l’élément ainsi que les connexions à long terme. Notre approche proposée, inspirée des réseaux séman- tiques hiérarchiques, adresse ces limitations en intégrant les KGs pour mieux comprendre les intentions des utilisateurs et améliorer la modélisation des dépendances intra-session. En exploitant les KGs auxiliaires des éléments, notre modèle fournit des recommandations plus précises et personnalisées. Nous évaluons l’efficacité de notre approche en termes de précision des recommandations et de personnalisation, démontrant la capacité du modèle à fournir une explication pour ses recommandations.