GCE-GNN

1、会话图的构建

  GCE-GNN提出构建全局图和局部图来更好的利用会话信息。如下图所示，a为局部图构造方式：一个会话构成一个局部图，局部图中的每条边都代表会话中两个相邻的项，此外局部图还包含自连接边。而全局图则在不同会话之间建立联系。如图b，对s1,s2,s3建立全局图，对于会话中的每一个物品k，以k为中心建立大小为$\xi$的窗口，窗口中的其他元素与k在全局图中相连，将出现次数作为每条边的权重。（作者在b图右侧的全局图构建出错了，v1的邻接点应该是v2、v3、v4）

2、物品表征

2.1、全局物品表征

全局图的attetion计算如下：
  其中，w_ij代表i之间j的权重，j是与i相邻的点。s=$\frac{1}{\mid S\mid }\sum _{v_i\in S}{h}_{v_i}$，代表一个会话中所有物品特征的均值。该attention机制考虑了临界点与整个会话的契合程度，并根据契合程度和临界点的权重来计算attention

聚合更新计算如下：
将邻接点信息与自身信息结合，再多次重复上述操作，最终得到全局物品表示

2.2、局部物品表征

局部物品表征使用了很简单的attetion机制：
  通过v_i与v_j的相似度来计算权重，然后根据权重进行聚合更新操作。由于有自连接边，所以加权汇聚的过程中实际上相当于同时做了信息传播和信息汇聚。

聚合更新计算：最后对全局表征加一层dropout防止过拟合，然后再与局部表征相加得到最终全局与局部相结合的物品表征
              

3、最终预测

GCE-GNN 将每个物品的位置信息也考虑在内，p_l-i+1代表位置信息，z_i是融合位置信息后的表征结果。
              
不同于SRGNN（将最后一个物品作为最后atteion的标准），GCE-GNN计算整个会话的平均特征，将平均特征作为最后attenion的标准