Rethinking the Item Order in Session-based Recommendation with Graph Neural Networks
在短的匿名交互会话而不是长期历史中预测用户的偏好是现实生活中基于会话的推荐中的挑战性问题，例如，电子商务和媒体流。目前基于会话的推荐系统的研究主要集中在利用注意力机制的序列模式，这是直接的会话的自然序列按时间排序。然而，在项目选择的转变中，用户的偏好比仅仅连续的时间模式复杂得多。因此，在本文中，我们研究项目的过渡模式，通过构建一个会话图，并提出了一个新的模型，协同考虑的序列顺序和潜在的顺序在会话图的基于会话的推荐系统。我们将会话中的下一个项目推荐制定为图分类问题。具体来说，我们提出了一个加权的注意力图层和一个读出功能，以学习项目和会话的嵌入，用于下一个项目推荐。在两个电子商务数据集Yoochoose和Diginetica上进行了大量的实验，实验结果表明，我们的模型优于其他最先进的方法。
2021-07-09 cs.IR
Neural Attentive Session-based Recommendation
针对用户简档不可见的电子商务场景，提出了基于会话的推荐方法，利用短会话生成推荐结果。以前的工作只考虑用户在当前会话中的顺序行为，而用户在当前会话中的主要目的没有得到强调。在本文中，我们提出了一种新的神经网络框架，即，神经注意力推荐机（NARM）解决了这个问题。具体来说，我们探索了一种混合编码器与注意力机制来模拟用户的顺序行为，并捕捉用户在当前会话中的主要目的，这是作为一个统一的会话表示后。然后，我们根据这个统一的会话表示，使用双线性匹配方案计算每个候选项的推荐评分。我们通过共同学习项目和会话表示以及它们的匹配来训练NARM。我们在两个基准数据集上进行了广泛的实验。我们的实验结果表明，NARM在这两个数据集上的表现都优于最先进的基线。此外，我们还发现，NARM实现了显着的改善长会话，这表明它的优势，同时建模用户的顺序行为和主要目的。
2017-11-13 cs.IR
An Adjustable Heat Conduction based KNN Approach for Session-based Recommendation
KNN方法由于其高效性、鲁棒性和可解释性而被广泛应用于推荐系统中，最近被提出用于基于会话的推荐，并优于递归神经网络模型。它通过考虑交互时间来捕获项目的最近共现信息。但该方法忽略了交互时间较早的历史行为中项目的共现信息，无法区分不同流行度的项目和会话的影响。由于这些观察，本文提出了一种新的上下文KNN方法来解决这些问题，基于会话的推荐。具体而言，提出了一种基于扩散的相似性方法来考虑会话-项目二分网络中顶点的流行度，并提出了一种候选选择方法来有效地捕获与同一会话中不同历史点击项目共现的项目。在三个基准数据集上进行了全面的实验，以证明我们的KNN方法在基于会话的推荐中的有效性。
2018-07-16 cs.IR
Effectively Using Long and Short Sessions for Multi-Session-based Recommendations
仅根据当前的一次会议提出建议是不准确的。因此，基于多会话的推荐（MSBR）是解决这个问题的一种方法。与以往的MSBR模型相比，本文做了三个方面的改进。首先，先前的工作选择使用用户和/或其类似用户的所有历史会话。当用户当前的兴趣与过去发生很大变化时，这些会话中的大多数只能产生负面影响。因此，我们从数据集中随机选择大量会话作为候选会话，以避免过度依赖历史数据。然后，我们只选择使用最相似的会话，以获得最有用的信息，同时减少噪音所造成的不相似的会话。其次，在现实世界的数据集中，短会话占很大比例。在以前的工作中经常使用的RNN不适合处理短会话，因为RNN只关注顺序关系，我们发现这不是短会话中项目之间的唯一关系。因此，我们设计了一个更适合的方法，称为GAFE基于关注处理短会话。第三，虽然长时间的会议很少，但也不能忽视。不像以前的模型，简单地处理长会话的方式与短会话相同，我们提出了LSIS，它可以分割长会话的兴趣，以更好地利用长会话。最后，为了帮助推荐，我们还考虑了多层GRU捕获的用户长期兴趣。综合考虑以上四点，我们建立了ENIREC模型。在两个真实数据集上的实验表明，ENIREC模型的综合性能优于现有的其他模型。
2022-05-09 cs.IR
Unleashing the Potential of Neighbors: Diffusion-based Latent Neighbor Generation for Session-based Recommendation
University of Electronic Science and Technology of China（电子科技大学）
DiffSBR通过基于扩散的潜在邻居生成方法，提升基于会话的推荐性能。
2026-01-07 cs.IR
Session-based Recommendation with Hypergraph Attention Networks
基于会话的推荐系统旨在改善可以在许多平台上找到的短期会话中的推荐。一个关键的挑战是在这些短暂的会话中仅用有限的证据准确地建模用户意图。例如，花束被视为是婚礼购买或家庭装饰的一部分？这种不同的观点极大地影响了下一步应该推荐什么。因此，本文提出了一种新的基于超图注意力网络的会话推荐系统。该方法具有以下三个特点：（1）为每个会话构造一个超图，同时对会话中各个上下文窗口定义的项目相关性进行建模，揭示项目含义;（2）配备超图注意层，灵活地聚合会话中相关项目的上下文信息，生成项目嵌入;以及（iii）它聚集每个会话的动态项目表示以推断通用目的和当前需要，其被解码以推断会话中的下一个感兴趣的项目。通过在三个基准数据集上的实验，我们发现该模型在生成信息丰富的动态项目嵌入和提供更准确的推荐方面是有效的。
2021-12-28 cs.IR
Time is of the Essence: a Joint Hierarchical RNN and Point Process Model for Time and Item Predictions
近年来，基于届会的建议已成为一种越来越适用的建议。由于会话由事件序列组成，因此这种类型的推荐非常适合递归神经网络（RNN）。已经提出了几个附加的扩展这样的模型，以处理特定的问题或数据。两个这样的扩展是1.）用于捕获用户会话上的长期依赖性的会话间关系的建模，以及2.）对用户-项目交互的时间方面进行建模。前者允许基于会话的推荐在提供新推荐时利用扩展的会话历史和会话间信息。后者已被用于提供最先进的预测，即用户何时返回服务，以及改进推荐。在这项工作中，我们结合这两个扩展在一个联合模型的推荐和返回时间预测的任务。该模型包括一个层次RNN的会话间和会话内的项目推荐扩展与点过程模型的会话之间的时间间隔。实验结果表明，所提出的模型在两个数据集上的推荐显著提高，同时在基线返回时间预测模型上提高了返回时间预测。
2018-12-04 cs.IR
Multi-behavior Graph Contextual Aware Network for Session-based Recommendation
基于会话的推荐（Session Based Recommendation，SBR）中，预测短时间序列的下一次交互是一个具有挑战性的任务，而多行为会话推荐考虑了会话序列中的多种交互类型，如点击和购买，以充分捕捉更有效的用户意图表示，尽管现有的基于多行为的SBR方法性能优越，但仍存在一些严重的局限性：（1）现有的研究大多集中在单一的下一行为目标类型上，未能对多个行为会话进行统一建模。(ii)以前的方法也忽略了各种下一个行为和历史行为序列之间的语义关系，这是重要的信号，以获得当前的潜在意图SBR。(iii)现有模型建立的全局跨会话项-项图可能会包含语义和上下文噪声，从而实现多行为会话推荐。为了克服限制（i）和（ii），我们提出了两个新的任务SBR，这需要将历史行为和下一个行为到统一的多行为推荐建模。为此，我们设计了一个多行为图上下文感知网络（MGCNet）的多行为会话为基础的建议的两个任务。具体来说，我们建立了一个多行为的全局项目转移图的基础上，涉及所有的交互类型的所有会话。基于全局图，MGCNet基于局部上下文意图将全局兴趣表示附加到最终项目表示，以解决限制（iii）。最后，我们显式地利用下一个行为信息来指导SBR的一般兴趣和当前意图的学习。在三个公共基准数据集上的实验表明，MGCNet在基于会话的多行为推荐中的性能优于现有的模型。
2021-09-24 cs.IR
DAGNN: Demand-aware Graph Neural Networks for Session-based Recommendation
基于会话的推荐已被广泛用于各种在线视频和电子商务网站。大多数现有的方法都是直观地提出来发现潜在的兴趣或偏好的匿名会话数据。这显然忽略了这些顺序行为通常反映会话用户的潜在需求的事实，即，语义级因素，因此如何估计来自会话的潜在需求是具有挑战性的。针对上述问题，提出了一种需求感知的图神经网络（DAGNN）。具体地，需求建模组件被设计为首先提取会话需求，并且使用全局需求矩阵来估计每个会话的潜在多个需求。然后，需求感知的图神经网络被设计用于提取会话需求图，以学习需求感知的项目嵌入，用于以后的推荐。进一步设计互信息损失以提高学习的嵌入的质量。在几个真实世界的数据集上进行了大量的实验，所提出的模型达到了SOTA模型的性能。
2022-02-24 cs.IR
SPRINT: Scalable and Predictive Intent Refinement for LLM-Enhanced Session-based Recommendation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Korea University（高丽大学）
本文提出SPRINT框架，通过全局意图池约束LLM生成可靠意图，并在推理时使用轻量级意图预测器提升可扩展性，实验证明其在推荐效果和可解释性上优于现有方法。
2026-04-15 cs.IR
GAG: Global Attributed Graph Neural Network for Streaming Session-based Recommendation
流媒体基于会话的推荐（SSR）是一个具有挑战性的任务，需要推荐系统在流媒体场景中进行基于会话的推荐（SR）。在电子商务和社交媒体的实际应用中，在一定时间内生成的用户-项目交互序列被分组为会话，并且这些会话以流的形式连续到达。最近的SR研究大多集中在静态设置，首先获得训练数据，然后用于训练基于会话的推荐模型。它们需要在整个数据集上进行几个时期的训练，这在流媒体设置中是不可行的。此外，由于对用户信息的忽视或简单使用，很难很好地捕捉用户的长期兴趣。虽然最近已经提出了一些流推荐策略，但它们是针对个人交互流而不是会话流设计的。在本文中，我们提出了一个全局属性图（GAG）神经网络模型与Wasserstein水库的SSR问题。一方面，当新会话到达时，基于当前会话及其关联用户构造具有全局属性的会话图。因此，GAG可以考虑全局属性和当前会话两者，以学习会话和用户的更全面的表示，从而在推荐中产生更好的性能。另一方面，为了适应流会话场景，提出了Wasserstein水库，以帮助保存历史数据的代表性草图。在两个真实数据集上进行了大量的实验，以验证与最先进的方法相比，GAG模型的优越性。
2021-07-09 cs.IR
Knowledge Graph-based Session Recommendation with Adaptive Propagation
提出基于知识图谱的会话自适应传播推荐方法，通过多类型边构建知识图谱并自适应聚合邻居信息，使会话推荐主干模型性能提升10%-20%，并在工业案例中实现2%提升。
2024-02-17 cs.IR
Multi-intent-aware Session-based Recommendation
针对现有会话推荐模型忽视会话内多样化用户意图的问题，本文提出MiaSRec模型，利用频率嵌入和以项目为中心的多会话表示动态选择重要意图，在多个数据集上显著优于现有方法。
2024-05-02 cs.IR
Intention Adaptive Graph Neural Network for Category-aware Session-based Recommendation
针对电子商务、短视频推荐等场景中用户简档不可见的问题，提出了基于会话的推荐（SBR）方法，用于在短会话内推荐商品。有一个常见的场景，用户指定一个目标类别的项目作为一个全局过滤器，但以前的SBR设置主要考虑项目的顺序，忽略了丰富的目标类别信息。因此，我们定义了一个新的任务，称为类别感知的基于会话的推荐（CSBR），专注于上述情况下，用户指定的类别可以有效地利用推荐系统。为了解决所提出的任务的挑战，我们开发了一种新的方法称为意图自适应图神经网络（IAGNN），它利用项目和它们的类别之间的关系，以实现准确的推荐结果。具体来说，我们构建了一个类别感知的图与项目和类别节点来表示会话中的复杂的过渡信息。利用类别感知图上的意图自适应图神经网络通过将历史交互信息传递到用户指定的类别域来捕获用户意图。在三个真实世界的数据集上进行了广泛的实验，以显示我们的IAGNN在新任务中的性能优于最先进的基线。
2022-04-09 cs.IR
Session-aware Information Embedding for E-commerce Product Recommendation
现有的推荐系统大多假设用户的访问历史可以被持续记录。然而，在最近的在线服务中，用户标识通常可能是未知的，并且只能使用有限的在线用户行为。对用户的时间行为进行建模，并对匿名用户进行推荐具有重要意义。在本文中，我们提出了一个列表式的深度神经网络为基础的架构，在每个会话中的有限的用户行为建模。为了有效地训练模型，我们首先设计了一个会话嵌入方法来预训练一个会话表示，它包含了不同类型的用户搜索行为，如点击和查看。基于学习的会话表示，我们进一步提出了一个列表式的排名模型来生成每个匿名用户会话的推荐结果。我们对一家电子商业公司最近发布的数据集进行了定量实验。评估结果验证了所提出的方法的有效性，它可以显着优于最先进的。
2017-11-20 cs.IR
Graph and Sequential Neural Networks in Session-based Recommendation: A Survey
本综述全面概述了基于会话的推荐（SR）的研究进展，将现有方法分为基于序列神经网络和图神经网络两类，并探讨了其挑战与未来方向。
2025-07-14 cs.IR
Prospective Preference Enhanced Mixed Attentive Model for Session-based Recommendation
针对会话推荐任务，提出融合时间模式与用户预期偏好的P2MAM模型，采用位置敏感注意力机制，在6个基准数据集上性能最高提升19.2%，测试效率较最佳基线平均提升47.7倍。
2022-06-04 cs.IR
Learning Recommendations from User Actions in the Item-poor Insurance Domain
虽然个性化推荐在零售等领域取得了成功，但在数据稀疏的领域，如保险购买，自动推荐的生成是一个悬而未决的问题。众所周知，保险领域是数据稀疏的，因为产品的数量通常很低（与零售相比），并且它们通常被购买以持续很长一段时间。此外，许多用户仍然更喜欢电话而不是网络来购买产品，从而减少了网络记录的用户交互量。为了解决这个问题，我们提出了一个递归神经网络推荐模型，该模型使用过去的用户会话作为学习推荐的信号。从过去的用户会话中学习允许处理保险领域的数据稀缺性。具体来说，我们的模型从几种类型的用户操作中学习，这些用户操作并不总是与项目相关联，与所有先前的基于会话的推荐模型不同，它对输入会话和目标操作（购买保险）之间的关系进行建模，这些目标操作并不发生在输入会话中。对来自保险领域的真实世界数据集的评估（ca. 44K用户，16个项目，54K购买和117K会话）与几个最先进的基线相比，表明我们的模型明显优于基线。消融分析表明，这主要是由于我们的模型中跨会话的依赖关系的学习。我们贡献了有史以来第一个基于会话的保险推荐模型，并将我们的数据集提供给研究界。
2022-11-28 cs.IR
Causality and Correlation Graph Modeling for Effective and Explainable Session-based Recommendation
针对基于会话推荐中难以区分物品间因果与相关关系的问题，提出CGSR模型，通过构建因果、结果和相关图并采用图神经网络联合建模，提升了推荐准确率并实现了可解释性。
2023-05-17 cs.IR
RepeatNet: A Repeat Aware Neural Recommendation Machine for Session-based Recommendation
递归神经网络用于基于会话的推荐，由于其良好的性能，近年来引起了广泛的关注。重复消费是许多推荐场景中的常见现象（例如，电子商务、音乐和电视节目推荐），其中随着时间的推移重复地重新消费相同的项目。然而，没有以前的研究强调重复消费与神经网络。需要一种有效的神经方法来决定何时执行重复推荐。在本文中，我们将重复探索机制到神经网络，并提出了一个新的模型，称为RepeatNet，与编码器-解码器结构。RepeatNet在解码器中集成了一种常规的神经推荐方法和一种新的重复推荐机制，该机制可以从用户的历史记录中选择项目，并在正确的时间推荐它们。我们在三个基准数据集上进行了广泛的实验。RepeatNet在所有三个数据集的MRR和Recall方面都优于最先进的基线。此外，随着数据集大小和重复率的增加，RepeatNet在基线上的改进也会增加，这表明了它在处理重复推荐场景方面的优势。
2018-12-06 cs.IR
A Graph-based Method for Session-based Recommendations
我们提出了一个基于图的方法的数据管理任务和有效的操作系统的会话为基础的下一个项目的建议。所提出的方法可以从电子商务网站连续和增量地收集数据，从而为推荐算法的操作准备必要的数据基础设施，而无需任何过多的训练阶段。我们的工作旨在开发一种推荐方法，它代表了数据处理和管理效率要求之间的平衡，以及所产生的建议的有效性。我们使用Neo4j图形数据库来实现这样一个系统的原型。此外，我们使用了一个行业数据集对应于一个典型的电子商务会话为基础的场景，我们使用我们的基于图的方法和其他国家的最先进的机器学习和深度学习方法的实验报告。
2021-06-22 cs.IR
Exploiting Positional Information for Session-based Recommendation
目前的电子商务平台，基于会话的推荐系统被开发来预测用户对下一个项目的推荐偏好。虽然会话通常可以反映用户的当前偏好，但是会话内的用户意图的局部转移仍然可能存在。具体地，在会话内的早期位置发生的交互通常指示用户的初始意图，而稍后的交互更可能表示最新的意图。在现有的方法中很少考虑这样的位置信息，这限制了它们捕获不同位置处的相互作用的重要性的能力。为了充分利用会话中的位置信息，本文提出了一个理论框架，对位置信息进行了深入的分析。我们正式定义了前向感知和后向感知的属性，以评估位置编码方案捕获初始和最新意图的能力。根据我们的分析，现有的位置编码方案通常是前向感知的，这很难表示在会话中的意图的动态。为了增强用于基于会话的推荐的位置编码方案，提出了双重位置编码（DPE）以考虑前向感知和后向感知两者。基于DPE，我们提出了一种新的位置推荐器（PosRec）模型，该模型采用了一个精心设计的位置感知门控图神经网络模块，充分利用位置信息进行基于会话的推荐任务。在两个电子商务基准数据集Yoochoose和Diginetica上进行了大量的实验，实验结果表明，PosRec的优越性，通过比较它与最先进的基于会话的推荐模型。
2021-07-09 cs.IR
Context Tree for Adaptive Session-based Recommendation
由于长期用户简档在现实生活中的推荐应用中并不常见，因此近年来，从实践和研究的角度来看，人们对基于会话的推荐任务越来越感兴趣。在这种情况下，需要基于匿名短会话中的模式来生成针对用户的紧接着的动作的建议。一个经常被忽视的方面是，在许多领域（例如新闻和论坛）中，观察有限的新项目不断出现。因此，建议需要适应这种频繁的变化。在本文中，我们基准测试一个新的非参数方法称为上下文树（CT）对各种国家的最先进的方法在广泛的数据集上基于会话的推荐任务。除了标准的静态评估协议通过以前的文献中，我们包括一个自适应配置，以模仿的情况下，有限的观察新项目不断到达。我们的研究结果表明，CT优于两个性能最好的方法（递归神经网络，基于最近邻）在大多数测试的配置和数据集。我们分析了原因，并证明这是因为更好地适应域中的变化，以及学习静态序列模式的显着能力。此外，我们的运行时间分析说明了使用CT作为其他非参数方法的效率。
2018-06-10 cs.IR
Global Context Enhanced Graph Neural Networks for Session-based Recommendation
基于会话的推荐（SBR）是一个具有挑战性的任务，其目的是基于匿名的行为序列来推荐项目。现有的SBR模型用户偏好的解决方案几乎都是基于当前会话而不利用其他会话，这些会话可能包含与当前会话相关和不相关的项目转换。本文提出了一种新的方法，称为全局上下文增强的图神经网络（GCE-GNN），利用项目过渡在所有会话中，以更微妙的方式，更好地推断用户的偏好，当前会话。具体来说，GCE-GNN分别从会话图和全局图中学习两个级别的项嵌入：（i）会话图，通过对当前会话内的成对项转换进行建模来学习会话级别的项嵌入;（ii）全局图，通过对所有会话上的成对项转换进行建模来学习全局级别的项嵌入。在GCE-GNN中，我们提出了一种新的全局级项目表示学习层，该层采用会话感知的注意力机制来递归地合并全局图上每个节点的邻居嵌入。我们还设计了一个会话级项目表示学习层，它在会话图上使用GNN来学习当前会话中的会话级项目嵌入。此外，GCE-GNN聚合的学习项目表示在两个层次的软注意力机制。在三个基准数据集上的实验表明，GCE-GNN始终优于最先进的方法。
2021-06-09 cs.IR
Exploring Global Information for Session-based Recommendation
基于会话的推荐（SBR）是一个具有挑战性的任务，其目的是基于匿名的行为序列来推荐项目。现有的SBR研究大多只根据当前会话对用户偏好进行建模，而忽略了其他会话的项目转换信息，无法对复杂的项目转换模式进行建模。为了解决这些问题，我们引入了全局项转移信息来加强动态项转移的建模。为了充分利用SBR的全局项转移信息，本文研究了两种挖掘SBR全局信息的方法。具体来说，我们首先提出了一个基本的GNN为基础的框架（BGNN），它只使用会话图的会话级项目转换信息。基于BGNN，本文提出了一种新的基于全局信息的会话推荐方法（SRGI），该方法从两个不同的角度，通过充分探索所有会话上的全局项转移来推断用户偏好：（i）基于融合的模型（SRGI-FM），该模型将全局图上每个节点的邻居嵌入递归地结合到会话级项表示的学习过程中;（ii）基于约束的模型（SRGI-CM），它将全局级的项转换信息作为约束，以确保学习到的项嵌入与全局项转换一致。在三个流行的基准数据集上进行的大量实验表明，SRGI-FM和SRGI-CM的性能始终优于最先进的方法。
2021-06-01 cs.IR
Discreetly Exploiting Inter-session Information for Session-based Recommendation
针对基于会话推荐中会话间信息引入干扰的问题，本文提出DEISI，利用DRL在因素层面区分依赖类型，并结合相似性与稳定性加权，通过CL增强鲁棒性，在三个数据集上优于现有方法。
2023-04-18 cs.IR
Recommendation Algorithm Based on Recommendation Sessions
针对互联网海量数据难以用传统方法分析的问题，本研究提出一种基于推荐会话的推荐系统新算法，融合静态对象特征与动态用户行为等多源信息集合进行推荐。
2024-02-14 cs.IR
Exploring Longitudinal Effects of Session-based Recommendations
基于会话的推荐是一种问题设置，其中推荐系统的任务是仅基于正在进行的会话中的少数观察到的用户交互来做出合适的项目建议。在这样的设置中缺乏关于个体用户的长期偏好信息通常导致有限的个性化水平，其中可能向许多用户推荐一小组流行项目。通过推荐的这种项目子集的这种重复暴露又可能导致随着时间的推移的强化效应，并且导致系统不再能够在期望的程度上帮助用户发现新内容。在这项工作中，我们调查这种潜在的纵向影响，基于会话的建议，在一个基于模拟的方法。具体来说，我们分析了不同类型的算法在多大程度上可能导致随着时间的推移的集中效应。我们在音乐领域的实验表明，所有研究的算法-神经和启发式的-可能会导致较低的项目覆盖率和更高的浓度上的一个子集的项目。然而，额外的模拟实验也表明，相对简单的重新排序策略，例如，通过避免在音乐领域有太多的重复推荐，可能有助于解决这个问题。
2020-08-17 cs.IR
Unsupervised Graph Embeddings for Session-based Recommendation with Item Features
本文提出GCNext方法，通过图卷积网络将物品特征融入会话图表示并无监督学习嵌入，在三个数据集上显著提升序列推荐性能，MRR@20最高提升12.79%。
2025-03-11 cs.IR
Exploiting Cross-Session Information for Session-based Recommendation with Graph Neural Networks
与传统的推荐系统不同，基于会话的推荐系统引入了会话的概念，即，一段时间内用户与多个项目之间的一系列交互，以保持用户最近的兴趣。现有的基于会话的推荐系统的工作主要依赖于挖掘单个会话中的序列模式，这是不够的表达能力，以捕捉更复杂的项目之间的依赖关系。此外，由于会话数据的匿名性，它没有考虑跨会话信息，从而防止了不同会话之间的链接。本文采用图神经网络技术来解决这些问题。首先，每个会话被表示为一个图而不是一个线性序列结构，在此基础上，提出了一种新的全图神经网络（FGNN）学习复杂的项目依赖。为了在单个会话的表示学习中利用和整合跨会话信息，我们进一步构建了一个广泛连接的会话（BCS）图来连接不同的会话，并基于BCS图构建了一个新的掩码读出函数来改进会话嵌入。在两个电子商务基准数据集上进行了广泛的实验，即，Yoochoose和Diginetica，实验结果表明，我们的建议，通过与最先进的基于会话的推荐模型的比较的优越性。
2021-07-09 cs.IR
S-Walk: Accurate and Scalable Session-based Recommendationwith Random Walks
基于会话的推荐（SR）从匿名用户消费的先前项目序列中预测下一个项目。大多数现有的SR模型只关注建模会话内的特征，而很少关注会话间的项目关系，这有可能提高准确性。推荐系统的另一个关键方面是计算效率和可扩展性，考虑到商业应用的实际可行性。考虑到准确性和可扩展性，我们提出了一种新的基于会话的推荐与随机游走，即S-步行。准确地说，S-Walk通过使用重启随机游走（RWR）处理项目之间的高阶关系，有效地捕获会话内和会话间的相关性。通过采用线性模型与封闭形式的解决方案的过渡和隐形传态矩阵，构成RWR，S-Walk是高效和可扩展的。大量的实验表明，S-Walk在四个基准数据集上的各种指标中实现了相当或最先进的性能。此外，通过S-Walk学习的模型可以在不牺牲准确性的情况下进行高度压缩，比现有的基于DNN的模型快两个或更多个数量级的推理，使其适用于大规模商业系统。
2022-01-04 cs.IR
Inter-Session Modeling for Session-Based Recommendation
Norwegian University of Science and Technology（挪威科技大学）；Telenor Research（挪威电信研究院）
近年来，人们对递归神经网络（RNN）作为推荐系统的应用进行了研究。结果是有希望的，特别是在基于会话的环境中，RNN已被证明优于最先进的模型。在许多这些实验中，RNN可以通过利用用户过去会话的信息以及当前会话中的交互来改进推荐。基于会话的推荐的一个问题是如何在会话开始时，在系统已经了解了很多关于用户当前兴趣的信息之前产生准确的推荐。我们提出了一种新的方法，扩展了RNN推荐器，使其能够处理用户最近的会话，以提高推荐。这是通过使用第二个RNN来从最近的会话中学习，并预测用户对当前会话的兴趣来完成的。通过将这些信息反馈给原始RNN，它能够改进其建议。我们在两个不同数据集上的实验表明，与仅在当前会话上工作的单个RNN相比，所提出的方法可以显着提高整个会话中的推荐。所提出的模型，特别是在会议开始时的建议，因此能够处理会议内的冷启动问题。
2017-06-22 cs.AI cs.IR
Evolutionary Preference Learning via Graph Nested GRU ODE for Session-based Recommendation
基于会话的推荐（SBR）旨在根据正在进行的会话预测用户的下一个动作。最近，有越来越多的兴趣建模的用户偏好的演变，以捕捉细粒度的用户兴趣。虽然会话背后的潜在用户偏好随着时间的推移不断漂移，但大多数现有方法仍然在离散状态空间中对时间会话数据进行建模，这无法捕获细粒度的偏好演化并导致次优解决方案。为此，我们提出了图嵌套GRU常微分方程（ODE），即GNG-ODE，一种新的连续模型，扩展了神经ODE的思想，连续时间的时间会话图。该模型保留了动态用户偏好的连续性，将项目转换的时间和结构模式编码为连续时间动态嵌入。由于现有的ODE求解器不考虑图结构的变化，因此不能直接应用于动态图，我们提出了一种时间对齐技术，称为t对齐，对齐的时间会话图的更新时间步骤内的一批。在三个基准数据集上的实证结果表明，GNG-ODE显著优于其他基线。
2022-08-22 cs.IR
No Attention, No Problem: Rethinking Session-based Recommendation with Pure Convolution
School of Big data and Software Engineering, Chongqing University（重庆大学大数据与软件工程学院）
本研究针对基于会话推荐中传统卷积模型全局建模弱的问题，提出纯卷积框架NextConvRec，结合结构位置编码与深浅卷积扩大感受野，在4个基准上性能超SOTA基线约1.73%且推理提速16.7%。
2026-09-28 cs.IR
Rethinking Contrastive Learning in Session-based Recommendation
本文提出多模态自适应对比学习框架MACL，通过多模态增强生成语义一致的视图，并利用自适应对比损失区分正负信号贡献，在三个真实数据集上验证了其优于现有方法。
2025-06-05 cs.IR
Exploiting Session Information in BERT-based Session-aware Sequential Recommendation
Seoul National University（首尔国立大学）
在推荐系统中，利用用户的交互历史作为顺序信息，导致了很大的性能改善。然而，在许多在线服务中，用户交互通常按会话分组，这些会话可能共享偏好，这需要与普通序列表示技术不同的方法。为此，已经开发了具有层次结构或各种观点的序列表示模型，但是具有相当复杂的网络结构。在本文中，我们提出了三种方法来提高推荐性能，利用会话信息，同时最大限度地减少额外的参数在基于BERT的顺序推荐模型：使用会话令牌，添加会话段嵌入，和时间感知的自我注意。我们通过广泛使用的推荐数据集上的实验证明了所提出的方法的可行性。
2022-05-19 cs.AI cs.IR
Heterogeneous Graph Neural Network for Personalized Session-Based Recommendation with User-Session Constraints
推荐系统为用户提供了一个适当限制的最近在线的大量信息。基于会话的推荐是推荐系统的一个子领域，它试图通过解释由项目序列组成的会话来推荐项目。最近，在这些会话中包括用户信息的研究正在取得进展。然而，难以生成包括由用户生成的会话表示的高质量用户表示。在本文中，我们考虑各种关系的图创建会话通过异构注意力网络。约束还强制用户表示考虑会话中呈现的用户偏好。它试图通过在培训过程中的额外优化来提高性能。该模型在各种真实数据集上的性能优于其他方法。
2022-06-26 cs.AI cs.IR
Side Information-Driven Session-based Recommendation: A Survey
本文从数据为中心视角系统综述了侧信息驱动的会话推荐，梳理了富含侧信息的基准数据集、侧信息增强SBR的机制及代表性研究进展，并展望了未来方向。
2024-02-27 cs.IR
Intra-session Context-aware Feed Recommendation in Live Systems
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
Feed推荐允许用户不断地浏览项目，直到感到不感兴趣并离开会话，这与传统的推荐场景不同。在会话中，用户继续浏览或不继续浏览的决定实质上会影响以后点击的发生。然而，在大多数饲料推荐研究中，这种类型的暴露偏倚通常被忽略或未明确建模。在本文中，我们将这种效果建模为会话内上下文的一部分，并提出了一种新的会话内上下文感知Feed推荐（INSCAFER）框架，以同时最大化总视图和总点击量。用户点击和浏览决策是通过多任务设置共同学习的，会话内上下文是通过会话方式暴露的项序列编码的。我们在线部署我们的模型，改进了所有关键业务基准。我们的方法揭示了一些灯的饲料推荐研究，旨在优化会话级点击和查看指标。
2023-01-11 cs.IR cs.LG
Session-Based Hotel Recommendations: Challenges and Future Directions
在2019年，推荐系统挑战赛首次涉及电子旅游领域的现实任务，即在预订会话中推荐酒店。在这种情况下，本文的目的是确定和调查，我们认为是重要的特定领域的挑战，酒店搜索推荐系统的研究正面临着，从学术和行业的角度。我们专注于三个主要的挑战，即处理（1）多个利益相关者和价值意识的建议，（2）稀疏的用户数据和广泛的冷启动问题，（3）动态输入数据和计算的要求。为此，我们回顾了解决这些挑战的最新技术，并讨论了不足之处。我们详细介绍了未来可能的方向和愿景，我们设想该领域的进一步发展。因此，本文应该有两个目的：为感兴趣的读者提供该领域当前挑战的概述，并为2019年及以后的ACM推荐系统挑战赛提供新的方法。
2019-07-31 cs.IR
SessionRec: Next Session Prediction Paradigm For Generative Sequential Recommendation
Meituan（美团）；Beihang University（北京航空航天大学）
提出 SessionRec 下一会话预测范式，以层次化会话聚合和会话内排序损失替代物品级自回归推荐，并在公开数据集与美团在线 A/B 测试中验证其效果及幂律缩放规律。
2025-02-18 cs.AI cs.IR
Enhancing Sequential Music Recommendation with Negative Feedback-informed Contrastive Learning
针对序列音乐推荐场景，提出融合跳过等负反馈的序列感知对比子任务，优化会话嵌入空间结构，在三个数据集的多项指标上均取得稳定性能提升。
2024-09-11 cs.IR
Session-aware Linear Item-Item Models for Session-based Recommendation
Sungkyunkwan University（成均馆大学）；Google Research（谷歌研究院）；Seoul National University（首尔国立大学）；Yonsei University（延世大学）
基于会话的推荐旨在给定在会话中消费的先前项目的序列来预测下一项目，例如，电子商务或多媒体流服务。具体来说，会话数据表现出一些独特的特征，即，会话一致性和对会话内项目的顺序依赖性、重复的项目消耗和会话及时性。在本文中，我们提出了简单而有效的线性模型，考虑整体方面的会议。我们的模型的综合性有助于提高基于会话的推荐的质量。更重要的是，它提供了一个通用框架来反映会话数据的不同视角。此外，由于我们的模型可以通过封闭形式的解决方案来解决，因此它们具有高度的可扩展性。实验结果表明，所提出的线性模型在几个真实世界的数据集上的各种指标表现出竞争力或最先进的性能。
2021-06-25 cs.IR cs.LG
Long-tail Session-based Recommendation
University of Electronic Science and Technology of China（电子科技大学）
基于会话的推荐是基于匿名会话的用户行为预测，是在缺乏用户历史数据的情况下的一种必要方法。然而，现有的基于会话的推荐方法都没有明确考虑长尾推荐，而长尾推荐对于提高推荐的多样性和产生意外发现具有重要作用。由于具有长尾的项的分布在基于会话的推荐场景中是普遍的（例如，电子商务、音乐和电视节目推荐），更应该关注基于长尾会话的推荐。在本文中，我们提出了一种新的网络架构，即TailNet，以提高长尾推荐性能，同时保持与其他方法相比具有竞争力的准确性性能。我们首先根据点击频率将项目分类为短头（流行）和长尾（利基）项目。在此基础上，提出了一种新的方法，并将其应用于TailNet中，以确定用户在两类项目之间的偏好，从而实现软调整和个性化推荐。在两个真实数据集上的实验验证了该方法的优越性。
2020-08-04 cs.IR cs.LG
Neighborhood-Enhanced and Time-Aware Model for Session-based Recommendation
University of Science and Technology of China（中国科学技术大学）；Hefei University of Technology（合肥工业大学）
基于会话的推荐以其高度的实用价值成为推荐系统领域的研究热点之一。以往的深度学习方法大多关注当前会话内的序列特征，而忽略了会话间包含丰富协作信息的上下文相似性和时间相似性。本文提出了一种新的神经网络框架，即用于基于会话的推荐的邻域增强和时间感知推荐机（NETA）。首先，我们引入了一个有效的邻域检索机制来发现包含协作信息的相似会话;然后，我们设计了一个具有时间感知的引导注意机制来从邻域会话中提取协作表示，特别是单独考虑会话之间的时间新近性;最后，我们设计了一个简单的合作，注意力机制，以确定预测下一个项目时，互补的合作表示的重要性。世界数据集证明了我们提出的模型的有效性。
2019-10-01 cs.IR cs.LG
Session-based Complementary Fashion Recommendations
在现代时尚电子商务平台中，客户可以浏览数千到数百万种产品，推荐系统是导航和缩小庞大分类范围的有用工具。在这种情况下，补充推荐服务于用户需要找到可以一起穿的物品。在本文中，我们提出了一个个性化的，基于会话的补充项目推荐算法，CRF-C，量身定制的时尚用例。我们提出了一个采样策略，通过建立训练集，这是有用的，当现有的用户交互数据不能直接使用，由于质量差或可用性。我们提出的方法显示出显着的改进，在准确性方面相比，协同过滤方法，服务于补充项目的建议，我们的客户在实验CF-C的时间。结果显示，在线下订单召回率上升了+8.2%，在一个拥有2800万活跃客户的时尚电子商务平台上进行的在线A/B测试中，购买的产品数量也大幅增加了+3.24%。
2019-08-22 cs.IR
Transition Information Enhanced Disentangled Graph Neural Networks for Session-based Recommendation
基于会话的推荐是一种基于匿名行为序列预测下一个项目的实用推荐任务，其性能严重依赖于序列中项目之间的转移信息。SBR中的SOTA方法使用GNN来模拟来自全局（即，其他会话）和局部（即，当前会话）上下文的相邻项转换。然而，大多数现有方法平等地对待来自不同会话的邻居，而没有考虑来自不同会话的邻居项目可能在不同方面与目标项目共享相似的特征，并且可能具有不同的贡献。换句话说，它们没有探索全局上下文中项之间的更细粒度的转换信息，导致性能次优。在本文中，我们填补了这一空白，提出了一种新的过渡信息增强的解纠缠图神经网络（TIE-DGNN）模型捕捉更细粒度的项目之间的过渡信息，并试图解释的原因，通过建模的项目的各种因素的过渡。具体来说，我们提出了一个位置感知的全局图，它利用相对位置信息来模拟相邻项的转换。然后，我们将项嵌入切片成块，每个块代表一个因子，并使用解纠缠模块在全局图上单独学习因子嵌入。对于本地上下文，我们通过使用注意力机制从当前会话捕获转换信息来训练项嵌入。为此，我们的模型考虑了两个层次的过渡信息。特别是在全局文本中，我们不仅考虑了更细粒度的项目之间的转换信息，而且还考虑了用户的意图在因素级解释的关键原因的过渡。在三个数据集上的大量实验表明，我们的方法优于SOTA方法。
2022-04-05 cs.IR
Curriculum Approximate Unlearning for Session-based Recommendation
Shandong University（山东大学）；Leiden University（莱顿大学）；Baidu Inc.（百度公司）；University of Amsterdam（阿姆斯特丹大学）
CAU提出一种课程近似反学习框架，通过多目标优化和课程学习策略提升基于会话推荐的反学习效果。
2026-02-02 cs.IR
TRUST: Item-Calibrated Interval Evidence for Temporal Session-Based Recommendation
School of Computer Science, University of Technology Sydney（悉尼科技大学计算机学院）；Faculty of Data Science, City University of Macau（澳门城市大学数据科学学院）；The Education University of Hong Kong（香港教育大学）
提出TRUST框架，通过项目特定的间隔分布校准时间信号，改进邻居采样、会话图编码和兴趣聚合，在时序会话推荐中优于现有方法。
2026-06-26 cs.IR
Beyond Co-occurrence: Multi-modal Session-based Recommendation
针对基于会话推荐过度依赖物品ID共现的问题，提出MMSBR统一建模描述性与数值多模态信息，并通过对比学习、分层枢轴transformer和Wasserstein自注意力提升推荐效果、缓解冷启动。
2023-09-29 cs.IR
Exploiting Group-level Behavior Pattern forSession-based Recommendation
基于会话的推荐（SBR）是一个具有挑战性的任务，其目的是根据匿名行为序列预测用户的未来兴趣。现有方法利用强大的表示学习方法将会话编码到低维空间中。然而，尽管取得了这些成就，所有现有的研究都集中在实例级会话学习，而忽略了组级用户的偏好，这是重要的用户行为建模。为此，我们提出了一种新的重复感知神经机制，基于会话的推荐（RNMSR）。在RNMSR中，我们提出分别从实例级和组级学习用户偏好：（i）实例级，在基于相似性的项目成对会话图上使用GNN来捕获实例级的用户偏好。(ii)组级，将会话转换为组级行为模式，以模拟组级用户的偏好。在RNMSR中，我们结合实例级用户偏好和组级用户偏好来建模用户的重复消费，\ie用户是否进行重复消费以及用户偏好哪些项目。在三个真实世界的数据集上进行了大量的实验，\ie Diginetica，Yoochoose和Nowplaying，表明所提出的方法在所有测试中始终达到最先进的性能。
2021-06-01 cs.IR
Disentangled Graph Neural Networks for Session-based Recommendation
基于会话的推荐（SBR）由于其仅利用当前会话中有限的用户行为历史而具有很大的实用价值，近年来受到越来越多的研究关注。现有的方法通常在项目级别学习会话嵌入，即，聚合项目的嵌入，有或没有分配给项目的注意力权重。然而，它们忽略了这样的事实，即用户采用物品的意图是由物品的某些因素驱动的（例如，一部电影的主要演员）。换句话说，他们没有在因素级别上探索用户的更细粒度兴趣以生成会话嵌入，从而导致次优性能。为了解决这个问题，我们提出了一种新的方法，称为解纠缠图神经网络（Disen-GNN）捕捉会话的目的，考虑因素级的注意力对每个项目。具体而言，我们首先采用解纠缠学习技术，将项目嵌入转换为多个因素的嵌入，然后使用门控图神经网络（GGNN）学习嵌入因素明智的基础上，项目相邻的相似性矩阵计算每个因素。此外，距离相关性被用来增强每对因素之间的独立性。在用独立的因素表示每个项目之后，设计了注意力机制来学习用户对会话中每个项目的不同因素的意图。然后通过聚合项目嵌入与每个项目的因素的注意力权重来生成会话嵌入。为此，我们的模型在因素级别考虑用户意图，以推断用户在会话中的目的。在三个基准数据集上的大量实验证明了该方法的优越性。
2022-01-11 cs.IR
GraphFusionSBR: Denoising Multi-Channel Graphs for Session-Based Recommendation
Department of Computer Science and Information Engineering（计算机科学与信息工程系）；National Central University（国立中央大学）
图融合SBR通过多通道图融合和去噪技术提升基于会话的推荐准确性
2026-01-13 cs.IR cs.LG
Learning Multi-granularity User Intent Unit for Session-based Recommendation
基于会话的推荐旨在根据用户在当前会话中的先前动作来预测用户的下一个动作。主要的挑战是在整个会话中捕获真实和完整的用户偏好。最近的工作利用图结构来表示整个会话，并采用图神经网络来编码会话信息。实践证明，这种模式选择是有效的，取得了显著的效果。然而，大多数现有的研究只考虑会话中的每个项目独立，并没有捕捉会话语义从一个高层次的角度。这种限制通常会导致严重的信息丢失，并增加了在会话中捕获长期依赖关系的难度。直观地，与单个项目相比，会话片段，即，一组局部连续的项目能够提供现有方法难以捕获的补充用户意图。在这项工作中，我们提出学习多粒度连续的用户意图单元，以提高推荐性能。具体来说，我们创造性地提出了多粒度意图异构会话图，它捕获了不同粒度意图单元之间的交互，减轻了长依赖的负担。此外，我们提出的意图融合排名模块组成的推荐结果，从各种粒度的用户意图。与目前仅利用单个项目的意图的方法相比，IFR受益于不同粒度的用户意图，以生成更准确和全面的会话表示，从而最终提高推荐性能。我们在五个基于会话的推荐数据集上进行了大量的实验，结果证明了我们的方法的有效性。
2022-01-10 cs.IR cs.SI
