本文提出SR-GNN模型，首先将用户序列行为分别构图，之后使用GNN方法得到图中每个item的向量表示，定义短期和长期兴趣向量得到用户兴趣向量：短期兴趣向量为用户序列中最后点击的item的向量；长期兴趣向量采用广义注意力机制将最后一个item与序列中所有item相结合。最后使用传统二分类方法进行推荐。

本文是在基于GNN的方法中提出的一种新的对比学习推荐模型。主要考虑了GNN的推荐模型中两种类型的自监督信息，structure-contrastive（结构对比）和prototype-contrastive（语义对比），两个对比学习信息，**使得相似的用户和物品的向量空间更为相似，以捕捉用户和物品的潜在邻里关系，提高了推荐的精度**。通俗点讲：1. 该方法是在LightGCN方法上，将两种信息（图

K-Means++算法选择初始聚类中心的基本原则是：初始的聚类中心之间的相互距离要尽可能的远。这个改进虽然直观简单，但是却非常得有效。缺点：由于聚类中心点选择过程中的内在有序性，在扩展方面存在着性能方面的问题(第k个聚类中心点的选择依赖前k-1个聚类中心点的值)。

K-Means++算法选择初始聚类中心的基本原则是：初始的聚类中心之间的相互距离要尽可能的远。这个改进虽然直观简单，但是却非常得有效。缺点：由于聚类中心点选择过程中的内在有序性，在扩展方面存在着性能方面的问题(第k个聚类中心点的选择依赖前k-1个聚类中心点的值)。

衡量推荐系统算法的精确度的指标通常有四种：NDCG、Recall、Precision、Hit Rate。

汇总了Markdown的部分快捷键，方便自己查阅，同时也欢迎大家补充。