摘要:会话推荐旨在基于用户的一系列项目预测其交互的下一项目, 现有大多数会话推荐对于会话内项目间的时间间隔信息利用不够充分, 影响推荐准确性. 近年, 图神经网络凭借自身强大的复杂关系建模能力在会话推荐中受到推崇, 但仅基于图神经网络的会话推荐忽略了会话间的隐藏高阶关系, 信息不够丰富. 此外, 数据稀疏性一直是推荐系统中存在的现象, 研究中多使用对比学习对此实施改善, 然而大多对比学习框架形式单一, 泛化能力不强. 基于此, 提出一种结合自监督学习的会话推荐模型. 首先, 该模型利用用户会话内项目间的时间间隔信息对会话序列实施数据增强, 丰富会话内信息, 以提高推荐准确性; 其次, 构建超图卷积网络和Transformer编码器相结合的对偶视图, 从多视角捕捉会话间的隐藏高阶关系, 以丰富推荐多样性; 最后, 融合数据增强后的会话内信息、多视角下的会话间信息以及原始会话信息进行对比学习, 以增强模型泛化性. 通过与11个已有经典模型在4个数据集上的对比发现, 所提模型是可行高效的, 在HR与NDCG指标上分别平均提升5.96%、5.89%.