本文介绍的是清华大学电子工程系李寅峰、高晨†、罗恒亮（美团公司）、金德鹏和李勇共同发表在2022年ACM SIGIR会议（第45届国际信息检索研究与发展会议）上的研究论文《Enhancing Hypergraph Neural Networks with Intent Disentanglement for Session-Based Recommendation》。该研究提出了一种基于超图神经网络（Hypergraph Neural Networks）和意图解耦（Intent Disentanglement）的新型会话推荐系统（Session-Based Recommendation, SBR）模型HIDE，旨在解决现有方法在动态耦合意图建模和噪声信号过滤方面的不足。

学术背景

会话推荐系统（SBR）是基于用户短期匿名行为序列（会话）预测下一交互项目的技术，在电商和流媒体平台中具有重要应用价值。传统方法面临两大核心挑战：
1. 动态耦合意图：用户兴趣由多意图耦合驱动（例如点击iPhone可能源于“苹果品牌偏好”或“智能手机购买需求”），而现有模型（如基于常规图的方法SR-GNN或超图方法DHCN）未显式解耦意图；
2. 会话噪声干扰：用户可能误点击无关项目（如会话“iPhone→iPad→牛奶→AirPods”中“牛奶”为噪声），影响兴趣建模。

HIDE的创新性在于通过超图构建和双重意图解耦（微观与宏观）解决上述问题，其目标是为每个会话生成意图感知的推荐结果。

研究流程与方法

1. 超图构建

每个会话被转换为超图（Hypergraph），包含三类超边（Hyperedge）：
- 转移超边（Transition Hyperedges）：捕捉时序转移的高阶关系（如点击iPhone后可能联合触发iPad和MacBook的浏览）；
- 上下文超边（Context Hyperedges）：通过滑动窗口捕获局部兴趣（如窗口大小𝑤=2时，{iPhone, iPad}构成超边）；
- 意图超边（Intent Hyperedges）：基于意图原型（Intent Prototype）计算项目相似性，连接同一意图下的Top-𝜀𝑛项目（𝜀控制稀疏度）。

2. 微观解耦（Micro-Disentanglement）

• 意图感知编码器：将每个项目的嵌入（Embedding）切分为𝐾个意图块（如𝐾=5），每个块对应特定意图子空间；
  
• 超图注意力卷积（HGACONV）：在意图特定子超图上进行传播，包含两步：
  
  • 节点到超边（N2E）：通过注意力机制聚合节点特征，噪声项目因偏离聚类中心获得低权重；
    
  • 超边到节点（E2N）：根据会话意图动态调整超边权重，强化核心兴趣。
    

3. 宏观解耦（Macro-Disentanglement）

引入意图分类辅助任务，通过多层感知机（MLP）预测会话意图标签，损失函数为交叉熵。该任务强制不同意图块相互独立，避免冗余。

4. 会话生成与预测

• 意图感知会话表示：结合反向位置嵌入（Reversed Position Embedding）和注意力机制，加权聚合各意图块；
  
• 多意图评分融合：计算候选项目在所有意图子空间的得分总和，生成最终推荐列表。
  

实验结果与贡献

基准测试

在Tmall和Last.fm数据集上，HIDE的P@20和MRR@20显著优于基线：
- 性能提升：较最佳基线（GCE-GNN和DHCN），平均提升11.18%（Tmall）和12.65%（Last.fm）；
- 长会话优势：当会话长度>6时，HIDE的精度优势更显著（见图3），验证其对复杂意图的建模能力。

消融实验

• 多类型超边：移除任一类超边均导致性能下降（如Tmall上移除意图超边使MRR@20降低0.24）；
  
• 双重解耦：去除宏观解耦（意图分类任务）使MRR@20下降0.38（Last.fm），验证独立性约束的必要性。
  

结论与价值

HIDE的核心贡献在于：
1. 方法论创新：首次将超图与意图解耦结合，提出HGACONV和双重解耦框架；
2. 应用价值：为电商平台提供更精准的实时推荐，尤其适合长会话和噪声场景；
3. 开源意义：代码参数公开（如𝐾=5, 𝜆=1𝑒−4），推动SBR领域可复现性研究。

亮点与创新

• 超图多视角建模：同时捕获时序、上下文和语义级高阶关系；
  
• 动态噪声过滤：通过意图感知注意力机制自适应降噪；
  
• 任务协同优化：推荐主任务与意图分类辅任务联合训练，提升模型鲁棒性。
  

未来工作可探索工业级A/B测试，进一步验证HIDE在真实场景的效能。该研究为会话推荐系统提供了新的理论框架和技术路径。