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
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
Personalized Graph Neural Networks with Attention Mechanism for Session-Aware Recommendation
会话感知推荐的目标是根据用户的当前会话和历史会话预测用户的下一次点击。现有的会话感知推荐方法在捕捉复杂的项目转换关系方面存在缺陷。除此之外，他们中的大多数都没有明确区分不同历史会话对当前会话的影响。为此，我们提出了一种新的方法，命名为个性化图神经网络与注意力机制（A-PGNN）的简洁。A-PGNN主要由两部分组成：一是个性化图神经网络（PGNN），用于提取每个用户行为图中的个性化结构信息，而传统的图神经网络（GNN）模型在节点嵌入更新时考虑了用户的角色。另一种是点积注意力机制，它利用Transformer网络来显式地模拟历史会话对当前会话的影响。在两个真实数据集上进行的大量实验表明，A-PGNN明显优于最先进的个性化会话感知推荐方法。
2021-01-27 cs.IR cs.LG
Recurrent Latent Variable Networks for Session-Based Recommendation
Cyprus University of Technology（塞浦路斯理工大学）
在这项工作中，我们试图改善数据稀疏性的影响，在基于会话的建议。具体来说，我们试图设计一个机器学习机制，能够提取微妙的和复杂的潜在的时间动态观察到的会话数据，以便通知推荐算法。为此，我们改进了利用具有循环连接单元的深度学习技术的系统;我们通过采用贝叶斯统计领域的概念，即变分推理来实现这一点。我们提出的方法包括在治疗网络经常性单位作为随机潜变量与先验分布强加给他们。在此基础上，我们继续推断相应的后验;这些可以用于预测和推荐生成，在某种程度上，占可用的稀疏训练数据的不确定性。为了使我们的方法可以轻松地扩展到大型现实世界的数据集，我们在近似摊销变分推理（AVI）设置下执行推理，从而通过（传统的）神经网络参数化学习后验。我们使用具有挑战性的基准数据集对我们的方法进行了广泛的实验评估，并说明了其优于现有最先进技术的优越性。
2017-06-13 cs.IR cs.LG stat.ML
Personalizing Session-based Recommendations with Hierarchical Recurrent Neural Networks
Politecnico di Milano（米兰理工大学）；Telefonica Research（西班牙电信研究）；Gravity R&D（Gravity研发公司）
基于会话的推荐在许多现代在线服务（例如，电子商务、视频流）和推荐设置中高度相关。最近，循环神经网络已经被证明在基于会话的设置中表现得非常好。虽然在许多基于会话的推荐域中很难获得用户标识符，但也存在用户简档很容易获得的域。我们提出了一种无缝的方法来个性化RNN模型与跨会话信息传输，并设计了一个分层的RNN模型，中继端演变的RNN在用户会话的潜在隐藏状态。两个行业数据集的结果显示，与仅会话RNN相比，有很大的改进。
2017-08-23 cs.HC cs.IR cs.LG
Contextual Hybrid Session-based News Recommendation with Recurrent Neural Networks
National Institute of Standards and Technology（美国国家标准与技术研究院）；Colorado State University（科罗拉多州立大学）；University of Klagenfurt（克拉根福大学）
推荐系统通过向用户提供定制的项目建议来帮助用户处理信息过载。新闻的推荐通常被认为是具有挑战性的，因为文章对于用户的相关性可以取决于各种因素，包括用户的短期阅读兴趣、读者的上下文、或者文章的新近度或流行度。以前的工作表明，循环神经网络的使用是有前途的下一个会话预测任务，但有一定的局限性时，只有记录的项目点击序列作为输入。在这项工作中，我们提出了一个上下文混合，基于深度学习的方法，基于会话的新闻推荐，能够利用各种信息类型。我们在两个公共数据集上评估了我们的方法，使用一个时间评估协议，以现实的方式模拟新闻门户网站的动态。我们的研究结果证实了考虑其他类型的信息，包括文章的流行度和新近度，在所提出的方式，导致显着更高的推荐准确性和目录覆盖率比其他基于会话的算法的好处。额外的实验表明，我们的方法中使用的拟议参数化损失函数也允许我们平衡两个通常相互冲突的质量因素，准确性和新颖性。保留字：人工神经网络，上下文感知推荐系统，混合推荐系统，新闻推荐系统，会话推荐
2019-12-08 cs.IR cs.LG stat.ML
Augmenting Netflix Search with In-Session Adapted Recommendations
Netflix Research（奈飞研究院）
我们激发了对推荐系统的需求，该推荐系统可以通过利用当前会话中的交互来满足成员的当前意图。我们提供了一个端到端的会话自适应推荐系统的Netflix搜索的上下文中的概述。我们讨论了在生产规模上开发这种系统时面临的挑战和潜在的解决方案。
2022-06-05 cs.AI cs.IR cs.LG
Positive, Negative and Neutral: Modeling Implicit Feedback in Session-based News Recommendation
Shanghai Jiao Tong University（上海交通大学）
对于许多新闻门户网站来说，为匿名读者推荐新闻是一项有用但具有挑战性的任务，其中读者与文章之间的交互仅限于临时登录会话。以往的工作往往制定基于会话的推荐作为下一个项目的预测任务，而他们忽略了用户行为的隐式反馈，这表明用户真正喜欢或不喜欢。因此，我们提出了一个全面的框架，通过积极的反馈（即，他们花费更多时间的文章）和负面反馈（即，他们选择跳过而不点击的文章）。此外，该框架隐式地使用会话开始时间对用户进行建模，并使用其初始发布时间对文章进行建模，我们称之为“中立反馈”。三个真实世界的新闻数据集的实证评估表明，该框架的更准确，更多样化，甚至比其他国家的最先进的基于会话的推荐方法意想不到的建议有前途的表现。
2022-05-12 cs.IR cs.LG
Balancing Multi-level Interactions for Session-based Recommendation
University of Electronic Science and Technology of China（电子科技大学）
基于匿名会话的用户行为预测对于一般推荐系统来说是一个挑战，因为缺乏用户简档严重限制了数据驱动模型。最近，基于会话的推荐方法在处理这一任务方面取得了显着的成果。不过，通过对有限数据的创新探索，业绩的上界仍能得到提振。在本文中，我们提出了一种新的方法，即会话内和会话间交互感知的图增强网络，考虑到会话间的项目级交互。与现有的会话内项目级交互和会话级协作信息不同，我们引入的数据表示不同会话之间的复杂项目级交互。为了挖掘新数据而不破坏模型在不同交互之间的平衡，我们为当前会话构建了会话内图和会话间图。前者侧重于在一个单一的会话项目级的相互作用，后者模型之间的邻居会话项目。然后根据不同的结构对两个图的信息进行不同的编码，并将生成的特征向量组合起来，以平衡不同范围的模型。在真实数据集上的实验验证了我们的方法优于其他最先进的方法。
2019-10-29 cs.IR cs.LG
Inferring Complementary Products from Baskets and Browsing Sessions
Yandex Market
互补产品推荐是电子商务中的一个重要问题。这样的建议增加了平均订单价格和篮子中的产品数量。互补产品通常是从篮子数据推断出来的。在这项研究中，我们提出了BB 2 vec模型。BB 2 vec模型通过联合分析两种类型的数据来学习产品的矢量表示-篮子和浏览会话（访问产品的网页）。这些向量表示用于进行互补产品推荐。该模型通过为很少或没有购买的产品提供更好的推荐来解决冷启动问题。我们发现，BB 2 vec模型具有更好的性能比其他模型，只使用篮子数据。
2018-09-25 cs.IR cs.LG stat.ML
G$^3$SR: Global Graph Guided Session-based Recommendation
Sun Yat-sen University（中山大学）；South China Agricultural University（华南农业大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
基于会话的推荐试图在无法获得目标用户的用户档案和完整的历史行为数据的情况下，利用匿名会话数据提供高质量的推荐。以前的作品考虑每个会话单独，并试图捕捉用户的兴趣在一个会话。尽管他们令人鼓舞的结果，这些模型只能感知会话内的项目，不能利用大量的历史关系信息。为了解决这个问题，我们提出了一种新的方法命名为G $^3$ SR（全局图引导会话为基础的推荐）。G $^3$ SR将基于会话的推荐工作流分解为两个步骤。首先，在所有会话数据上构建全局图，从该全局图中以无监督的方式学习全局项表示。然后，这些表示在图网络下的会话图上进行细化，并使用读出函数为每个会话生成会话表示。在两个真实世界的基准数据集上进行的大量实验表明，G $^3$ SR方法比最先进的方法有了显著和一致的改进，特别是对于冷项目。
2022-03-12 cs.AI cs.IR cs.LG
Session-aware Recommendation: A Surprising Quest for the State-of-the-art
University of Klagenfurt（克拉根福大学）；University of Torino（都灵大学）
推荐系统被设计来帮助用户在信息过载的情况下。近年来，我们观察到越来越多的兴趣基于会话的推荐方案，其中的问题是使项目建议，用户只根据在一个正在进行的会话中观察到的交互。然而，在来自先前用户会话的交互可用的情况下，可以根据用户的长期偏好来个性化推荐，这一过程称为会话感知推荐。目前，这一领域的研究比较分散，许多现有的工作只是将会话感知模型与基于会话的模型进行比较。这使得它具有挑战性的理解是什么代表了最先进的。为了缩小这一研究差距，我们基准最近的会话感知算法对彼此和一些基于会话的推荐算法和平凡的扩展。令人惊讶的是，我们的比较显示，（i）基于最近邻居的项目简单技术始终优于最近的神经技术，（ii）会话感知模型大多并不比不使用长期偏好信息的方法更好。因此，我们的工作不仅指出了新方法与弱基线相比的潜在方法学问题，而且还表明了更复杂的会话感知推荐算法仍然有巨大的潜力。
2021-09-14 cs.IR cs.LG cs.NE
ADER: Adaptively Distilled Exemplar Replay Towards Continual Learning for Session-based Recommendation
Swiss Federal Institute of Technology Lausanne (EPFL)（洛桑联邦理工学院）
由于隐私问题的日益严重，基于会话的推荐近年来受到越来越多的关注。尽管最近基于神经会话的分类器取得了成功，但它们通常使用静态数据集以离线方式开发。然而，建议需要不断调整，以考虑到新的和过时的项目和用户，并需要“持续学习“在现实生活中的应用。在这种情况下，推荐器被持续地和周期性地更新，其中新数据在每个更新周期中到达，并且更新后的模型需要在下一次模型更新之前为用户活动提供推荐。使用神经模型进行持续学习的一个主要挑战是灾难性遗忘，其中一个持续训练的模型忘记了它以前学习过的用户偏好模式。为了应对这一挑战，我们提出了一种称为自适应蒸馏样本重放（ADER）的方法，通过定期重放以前的训练样本（即，示例）到具有自适应蒸馏损失的当前模型。实验进行了最先进的SASRec模型的基础上，使用两个广泛使用的数据集基准ADER与几个著名的持续学习技术。我们的经验表明，ADER始终优于其他基线，它甚至优于在每个更新周期使用所有历史数据的方法。这一结果表明，ADER是一个有前途的解决方案，以减轻灾难性遗忘的问题，建立更现实和可扩展的基于会话的记忆。
2020-07-23 cs.IR cs.LG stat.ML
Pseudo Session-Based Recommendation with Hierarchical Embedding and Session Attributes
The University of Electro-Communications（电气通信大学）；The Japan Research Institute Limited（日本综合研究所）
针对无用户ID和会话ID的电商购买数据，本文定义伪会话并提出CoHHGN+模型，利用协同引导异构图与全局图网络提升会话推荐性能。
2023-08-06 cs.IR cs.LG
TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；RealAI；Tsinghua University（清华大学）
基于会话的推荐技术是一种基于匿名会话预测用户行为的推荐技术。已经出现了许多研究，通过研究会话中项目的时间转换，将会话建模为序列或图。然而，这些方法将会话压缩成一个固定的表示向量，而不考虑要预测的目标项。考虑到目标项目和用户兴趣的多样性，固定向量将限制推荐模型的表示能力。提出了一种新的基于会话的目标注意图神经网络（TAGNN）推荐模型。在TAGNN中，目标感知注意自适应地激活不同的用户兴趣相对于不同的目标项目。学习的兴趣表示向量随目标项目的不同而变化，大大提高了模型的表达能力。此外，TAGNN利用图神经网络的能力来捕获会话中的丰富项目转换。在真实世界数据集上进行的综合实验证明了其优于最先进的方法。
2020-05-06 cs.IR cs.LG
Memory Augmented Neural Model for Incremental Session-based Recommendation
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
对隐私的日益关注激发了人们对基于会话的推荐（SR）的兴趣，该推荐除了在当前浏览器会话中观察到的数据之外不使用任何个人数据。现有的方法在静态设置中进行评估，这在现实世界的应用中很少发生。为了更好地解决SR任务的动态性质，我们研究了一个增量SR的情况下，新的项目和偏好不断出现。我们表明，现有的神经网络可用于增量SR的情况下，小增量更新，以减轻计算开销和灾难性遗忘。更重要的是，我们提出了一个通用的框架，称为记忆增强神经模型（MAN）。MAN通过不断查询和更新的非参数记忆来增强基本神经推荐器，并通过另一个轻量级门控网络将神经和记忆组件的预测相结合。我们的经验表明，MAN非常适合增量SR任务，它始终优于最先进的神经和非参数方法。我们分析了结果，并证明它是特别好的增量学习新的和不常见的项目的偏好。
2020-04-28 cs.IR cs.LG stat.ML
Item Cluster-aware Prompt Learning for Session-based Recommendation
University of Illinois Chicago（伊利诺伊大学香槟分校）
提出CLIP-SBR框架，通过全局图建模会话内与跨会话项目关系，并用软提示高效整合，在八个模型和三个数据集上稳定提升推荐性能。
2025-05-27 cs.AI cs.IR cs.LG
SPGL: Enhancing Session-based Recommendation with Single Positive Graph Learning
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
本文提出SPGL模型，结合单正样本优化损失和图卷积网络，解决基于会话推荐中的数据稀疏、高复杂度和弱迁移性问题，在三个基准数据集上验证了有效性。
2024-12-16 cs.IR cs.LG
Improving Session Recommendation with Recurrent Neural Networks by Exploiting Dwell Time
University of Würzburg（维尔茨堡大学）；L3S Research Center（L3S研究中心）
最近，循环神经网络（RNN）已被应用于基于会话的推荐任务。这些方法使用RNN来预测用户会话中的下一个项目，基于错误访问的项目。虽然一些方法考虑额外的项目属性，我们认为，项目停留时间可以作为一个隐式的用户兴趣的措施，以改善基于会话的项目推荐。我们提出了一个扩展现有的RNN方法，捕获用户停留时间，除了访问的项目，并显示推荐性能可以提高。此外，我们调查的有用性的一个单一的验证分裂模型选择的情况下，轻微的改进，并发现，在我们的情况下，最好的模型没有被选中，一个折叠样的研究与不同的验证集是必要的，以确保选择最好的模型。
2017-06-30 cs.IR cs.LG
Multi-Graph Co-Training for Capturing User Intent in Session-based Recommendation
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
提出多图协同训练模型MGCOT，融合当前会话图、相似会话图和全局物品关系图，结合多头注意力和对比学习，显著提升基于会话的推荐性能。
2024-12-15 cs.IR cs.LG
Two-Stage Session-based Recommendations with Candidate Rank Embeddings
Zalando SE
基于会话的推荐系统的最新进展由于其提供具有高召回率的实时个性化推荐的潜力而受到关注，特别是与矩阵分解和基于项目的协同过滤等传统方法相比。目前，最新的两种方法是短时注意/记忆优先级模型基于会话的推荐（STAMP）和神经注意基于会话的推荐（NARM）。然而，当这两种方法应用于Zalando（Fashion-Similar）的相似项目推荐数据集时，与简单的协作过滤方法相比，它们并不能开箱即用。为了提高相似项目推荐，我们建议集中精力提高排名的几个最相关的项目从原始的建议，通过使用的会话的用户的注意力网络编码的信息。当使用一种新的候选人排名嵌入，编码的全球排名信息的每个候选人在重新排名过程中，这种策略的有效性得到了证实。Fashion-Similar的实验结果显示，在20岁时，召回率和MRR的基线有了显着改善，在线测试的点击率也有了改善。此外，重要的是要从评估中指出这种方法在下一次点击预测问题上的潜力，因为当应用于STAMP和NARM时，它在两个公开的真实世界数据集上提高了20的召回率和MRR。
2019-08-22 cs.IR cs.LG
Sequential modeling of Sessions using Recurrent Neural Networks for Skip Prediction
FindHotel
推荐系统在音乐流媒体服务中发挥着至关重要的作用，特别是以个性化播放列表的形式。探索这些收听会话内的用户交互对于理解单个会话的上下文中的用户偏好是有益的。在“Spotify顺序跳过预测测试”中，WSDM和Spotify正在挑战人们理解用户顺序与音乐交互的方式。我们在本文中描述了我们的解决方案的方法，并提出进一步改进的模型。所提出的模型最初生成会话的固定向量表示，并且将此附加信息并入编码器-解码器风格的架构中。该方法在比赛中获得了第七名，在测试集上的平均准确率为0.604。解决方案代码可在https://github.com/sainathadapa/spotify-sequential-skip-prediction上获得。
2019-04-23 cs.IR cs.LG
Latent Variable Session-Based Recommendation
Durham University（杜伦大学）；Criteo Research（科韬研究院）
基于会话的推荐为传统的特征工程推荐方法提供了一种有吸引力的替代方案。特征工程方法需要创建用户历史的手动调整特征以产生上下文向量。相比之下，基于会话的方法能够动态地对用户的行为状态进行建模。我们提出了一个基于会话的推荐概率框架。用户状态的潜在变量随着用户查看更多的项目而更新，并且我们更多地了解他们的兴趣。潜变量模型在概念上简单而优雅，但需要复杂的计算技术来近似潜变量的积分。我们使用重新参数化技巧和使用softmax函数的Bouchard界提供计算解决方案，我们进一步探索采用变分自动编码器和变分期望最大化算法来收紧变分界。该模型对一些基线表现良好。该模型的直观性质允许一个优雅的公式结合项目之间的相关性和他们的流行程度，并揭示了其他流行的推荐方法。潜在变量方法的一个有吸引力的特征是，随着用户继续行动，用户状态的后验收紧，反映了推荐系统对该用户的增加的知识。
2019-09-17 cs.IR cs.LG
Session-based Recommendations with Recurrent Neural Networks
Gravity R&D Inc.（Gravity研发公司）；Telefonica Research（西班牙电信研究院）；Netflix（奈飞）
我们将循环神经网络（RNN）应用于一个新的领域，即推荐系统。现实生活中的推荐系统经常面临这样的问题：推荐只能基于短的基于会话的数据（例如，一个小的体育用品网站），而不是长的用户历史（如Netflix的情况）。在这种情况下，经常称赞的矩阵分解方法是不准确的。在实践中，这个问题通常通过采用逐项推荐来解决，即推荐类似的项目。我们认为，通过对整个会话进行建模，可以提供更准确的建议。因此，我们提出了一种基于RNN的方法，用于基于会话的建议。我们的方法还考虑了任务的实际方面，并对经典RNN进行了几处修改，例如排名损失函数，使其更适用于此特定问题。两个数据集上的实验结果表明，广泛使用的方法显着改善。
2016-03-29 cs.IR cs.LG cs.NE
Transformers with multi-modal features and post-fusion context for e-commerce session-based recommendation
NVIDIA（英伟达）
基于会话的推荐是电子商业服务中的一项重要任务，其中大量用户匿名浏览或可能对不同的会话具有非常不同的兴趣。在本文中，我们介绍了SIGIR 2021电子商业数据挑战研讨会推荐任务的获奖解决方案之一。我们的解决方案受到NLP技术的启发，由两个Transformer架构的集合组成- Transformer-XL和XLNet -使用自回归和自编码方法进行训练。为了利用比赛中提供的大部分丰富数据集，我们描述了如何通过将表格事件与文本和图像向量相结合来准备多模型特征。我们还提出了一个模型预测分析，以更好地了解我们的架构的有效性，基于会话的建议。
2021-07-11 cs.IR cs.LG cs.NE
News Session-Based Recommendations using Deep Neural Networks
CI&T；Brazilian Aeronautics Institute of Technology - ITA（巴西航空技术学院 - ITA）
新闻推荐系统旨在个性化用户体验，并帮助他们从一个大的和动态的搜索空间发现相关的文章。因此，新闻领域是一个具有挑战性的场景推荐，由于其稀疏的用户分析，快速增长的项目数量，加速项目的价值衰减，和用户的偏好动态变化。最近，通过在推荐系统中使用深度学习技术，特别是在项目的特征提取和基于会话的推荐中使用递归神经网络，已经取得了一些有希望的结果。在本文中，它提出了一个实例化的CHAMELEON -一个深度学习元架构的新闻推荐系统。该架构由两个模块组成，第一个模块负责学习新闻文章表示，基于它们的文本和元数据，第二个模块旨在使用递归神经网络提供基于会话的推荐。这项工作中的推荐任务是为用户会话预测下一个条目：“用户在会话中最有可能阅读的下一篇文章是什么？“用户会话上下文被架构利用来在这种极端的新闻推荐冷启动场景中提供额外的信息。该方法融合了用户行为特征和项目特征。一个时间离线评价方法也提出了一个补充的贡献，这样的任务更现实的评价，考虑到动态因素，影响全球读者的兴趣，如流行度，新近度和季节性。大量基于会话的推荐方法进行了实验，所提出的CHAMELEON元架构的实例化在最佳基准方法的前n个准确性和排名指标（命中率为10%，MRR为13%）方面获得了显着的相对改善。
2018-09-17 cs.AI cs.IR cs.LG
SemSR: Semantics aware robust Session-based Recommendations
TCS Research（TCS研究）
针对基于会话推荐忽视物品语义且LLM提示或微调方案存在局限的问题，本文提出并比较三类LLM增强方法，证明LLM与数据驱动SR模型集成可同时提升Recall和MRR。
2025-08-28 cs.IR cs.LG
Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns
HKUST（香港科技大学）；Amazon.com Inc（亚马逊公司）
针对会话推荐中用户意图捕获问题，提出FAPAT模型，利用属性转移图和属性模式增强会话表示，在公开及工业数据上平均提升4.5%。
2023-12-23 cs.IR cs.LG
Matrix embedding method in match for session-based recommendation
基于会话的推荐模型在推荐系统中得到了广泛的应用。该算法将用户点击序列作为递归神经网络的输入，将递归神经网络的输出作为会话的向量嵌入，并将会话的向量嵌入与下一个条目的向量嵌入的内积作为评分，作为对下一个条目的兴趣度量。该方法可用于项目数很大的推荐系统的匹配阶段，可以采用KD-Tree或Ball-Tree等索引方法。但是这种方法否认了用户在会话中兴趣的多样性。我们生成的模型修改的向量嵌入会话的对称矩阵嵌入，这是等价于一个二次型的向量空间的项目。得分被构建为二次型下下的下一项的向量嵌入的值。通过构造正特征值所对应的对称矩阵嵌入的特征向量来表示会话中用户的兴趣。该方法也可用于“匹配”阶段。实验表明，该方法优于矢量嵌入方法。
2019-08-27 cs.IR cs.LG
Incorporating User Micro-behaviors and Item Knowledge into Multi-task Learning for Session-based Recommendation
Fudan University（复旦大学）
基于会话的推荐（SR）已经成为各种电子商务平台的重要和流行的组件，其目的是基于给定的会话预测下一个交互项目。现有的SR模型大多只关注于利用会话中某个用户交互的连续项目来捕捉项目间的转换模式。虽然其中一些已经被证明是有效的，但以下两个见解往往被忽视。首先，用户的微行为，诸如用户定位项目的方式、用户在项目上提交的活动（例如，阅读评论，添加到购物车），提供对用户偏好的细粒度和深入的理解。第二，项目属性，也称为项目知识，提供侧信息来建模交互项目之间的转换模式，并缓解数据稀疏问题。本文提出了一种新的SR模型MKM-SR，将用户微观行为和项目知识结合到基于会话的推荐的多任务学习中。具体地，给定会话在MKM-SR中的微行为级别上建模，即，使用项目-操作对的序列而不是项目的序列，以充分地捕获会话中的转换模式。此外，我们提出了一个多任务的学习范式，涉及学习知识嵌入，它起着辅助任务的作用，以促进SR的主要任务。它使我们的模型，以获得更好的会话表示，从而产生更精确的SR推荐结果。在两个基准数据集上的广泛评估表明MKM-SR的优越性超过了最先进的SR模型，证明了纳入知识学习的策略。
2020-06-12 cs.IR cs.LG
Empirical Analysis of Session-Based Recommendation Algorithms
TU Dortmund（多特蒙德工业大学）；University of Torino（都灵大学）；University of Klagenfurt（克拉根福大学）
推荐系统是在信息过载的情况下通过向在线用户指出他们感兴趣的潜在项目来支持在线用户的工具。近年来，基于会话的推荐算法在研究文献中受到了较多的关注。这些算法的建议完全基于在正在进行的会话中观察到的与用户的交互，并且不需要长期偏好配置文件的存在。最近，提出了许多基于深度学习（“神经”）的方法来进行基于会话的推荐。然而，先前的研究表明，今天复杂的神经推荐方法在预测准确性方面并不总是优于简单的算法。通过这项工作，我们的目标是揭示基于会话的推荐领域的最新技术以及神经方法所取得的进展。为此，我们比较了12种算法方法，其中6种最近的神经方法，在相同的条件下，在各种数据集。我们发现，神经方法在预测精度方面的进展仍然有限。在大多数情况下，我们的实验表明，简单的探试法的基础上最近的邻居计划是更好的概念和计算上更复杂的方法。用户研究的观察结果进一步表明，基于探试法的建议也被研究参与者很好地接受。为了支持这一领域的未来进展和可重复性，我们公开分享了我们研究中使用的会话记录评估框架。
2020-09-27 cs.IR cs.LG cs.NE
UBER-GNN: A User-Based Embeddings Recommendation based on Graph Neural Networks
Ping An Technology (Shenzhen) Co., Ltd（平安科技（深圳）有限公司）
基于会话的推荐问题旨在根据用户的会话历史预测用户的下一步行为。以前的方法将会话历史建模为序列，并通过RNN和GNN方法估计用户潜在特征以进行推荐。然而，在大规模、复杂的金融推荐场景下，虚拟商品和真实商品并存，这种方法不足以准确地表现用户的潜在特征，也忽略了用户的长期特征。为了兼顾用户的长期偏好和动态兴趣，本文提出了一种新的嵌入式推荐方法，即基于用户的图神经网络嵌入式推荐方法（UBER-GNN）。UBER-GNN利用结构化数据来生成长期用户偏好，并将会话序列转换为图来生成基于图的动态兴趣。最后利用注意力机制将用户潜在特征表示为用户长期偏好和动态兴趣的组合。在真实的平安场景上进行的大量实验表明，UBER-GNN优于最先进的基于会话的推荐方法。
2020-08-06 cs.IR cs.LG
Metric Learning for Session-based Recommendations
Computer Vision Center（计算机视觉中心）；Universitat Autónoma de Barcelona（巴塞罗那自治大学）；Warsaw University of Technology（华沙理工大学）
基于会话的预测器用于对用户不间断的动作序列进行预测，对许多应用程序都很有吸引力。在这里，对于这项任务，我们建议使用度量学习，其中创建会话和项目的公共嵌入空间，距离度量所提供的用户事件序列与下一个动作之间的差异。我们讨论和比较度量学习方法常用的学习排名方法，其中存在一些协同作用。我们提出了一个简单的架构问题分析，并证明，既不广泛的大，也不深的架构是必要的，以优于现有的方法。对强基线的实验结果在四个数据集上提供了一个消融研究。
2021-01-07 cs.IR cs.LG
Implicit Session Contexts for Next-Item Recommendations
Georgia Institute of Technology（佐治亚理工学院）；Adobe Research（奥多比研究院）
基于会话的推荐系统捕获用户在会话中的短期兴趣。会话上下文（即，用户在会话中的高级兴趣或意图）在大多数数据集中没有明确给出，并且将会话上下文隐式地推断为项目级属性的聚合是粗糙的。在本文中，我们提出了ISCON，它隐含的上下文会话。ISCON首先通过创建会话项图、学习图嵌入和聚类来为会话生成隐式上下文，以将会话分配给上下文。ISCON然后训练会话上下文预测器，并使用预测的上下文的嵌入来提高下一项预测的准确性。在四个数据集上的实验表明，ISCON具有优于最先进的模型的下一个项目的预测精度。Reddit数据集上的ISCON案例研究证实了分配的会话上下文是唯一且有意义的。
2022-08-18 cs.IR cs.LG cs.SI
Improved Recurrent Neural Networks for Session-based Recommendations
Institute of High Performance Computing, A*STAR（高性能计算研究所，新加坡科技研究局）
循环神经网络（RNN）最近被提出用于基于会话的推荐任务。这些模型显示出比传统推荐方法有希望的改进。在这项工作中，我们进一步研究了基于RNN的会话推荐模型。我们提出了两种技术的应用，以提高模型的性能，即，数据增强，和一种方法来考虑在输入数据分布的变化。我们还实证研究了使用广义蒸馏，和一种新的替代模型，直接预测项目嵌入。在RecSys Challenge 2015数据集上的实验表明，在Recall@20和Mean Reciprocal Rank@20指标上，与先前报告的结果相比，分别有12.8%和14.8%的相对改善。
2016-09-16 cs.LG
Transformers Meet ACT-R: Repeat-Aware and Sequential Listening Session Recommendation
Deezer Research（Deezer研究院）
本文提出PISA，一种基于Transformer与ACT-R认知架构的会话级序列推荐系统，通过捕捉用户行为的动态与重复模式，有效预测后续收听歌曲，并在公开与专有数据上验证了重复建模的关键作用。
2024-08-29 cs.IR cs.LG
GRAINRec: Graph and Attention Integrated Approach for Real-Time Session-Based Item Recommendations
Target Corporation（塔吉特公司）
提出GRAINRec，一种图与注意力集成的实时会话式推荐模型，通过启发式推理满足SLA，在离线指标上平均提升1.5%，A/B测试中点击率提高10%、需求增加9%。
2024-11-14 cs.LG
Time-aware Hyperbolic Graph Attention Network for Session-based Recommendation
Walmart Global Tech（沃尔玛全球技术）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
基于会话的推荐（SBR）是根据用户先前的浏览会话来预测用户下一个感兴趣的项目。现有方法将会话建模为图形或序列，以基于用户交互的项目来估计用户兴趣，从而进行推荐。近年来，基于图的方法在SBR上取得了优异的性能。然而，这些方法都没有考虑时间信息，这是SBR中的一个重要特征，因为它表明了时间性或时效性。此外，会话图呈现出层次结构，并被证明是适用于双曲几何。但在双曲空间中设计模型的文献还很少，这方面的研究还处于探索阶段。在本文中，我们提出了时间感知双曲图注意力网络（TA-HGAT）-一种新的双曲图神经网络框架，建立一个基于会话的推荐模型考虑时间信息。更具体地说，在TA-HGAT中有三个组成部分。首先，双曲投影模块将项目特征转换到双曲空间。第二，时间感知图形注意力模块对项目与用户当前兴趣之间的时间间隔进行建模。第三，在模型结束时的进化损失提供了基于给定时间戳的推荐项目的准确预测。TA-HGAT构建在双曲空间中，用于学习会话图的层次结构。实验结果表明，提出的TA-HGAT具有最好的性能相比，10个基线模型在两个真实世界的数据集。
2023-01-10 cs.IR cs.LG cs.SI
Learning Similarity among Users for Personalized Session-Based Recommendation from hierarchical structure of User-Session-Item
Yonsei University（延世大学）
针对个性化会话推荐忽视历史会话及相似用户偏好的问题，提出 USP-SBR，通过 UserGraph 建模用户-会话-物品层次并引入对比损失，实验显示其优于现有方法。
2023-06-05 cs.AI cs.IR cs.LG
Recurrent Neural Networks for Long and Short-Term Sequential Recommendation
CAIL；Université de Lille（里尔大学）
推荐系统的目标可以概括为在短期或长期时间范围内对用户偏好进行建模。以往的大量研究通过降维技术应用于历史用户-项目交互来研究长期推荐。最近引入的基于会话的推荐设置强调了建模短期用户偏好的重要性。在这项任务中，循环神经网络（RNN）已被证明在短时间内成功捕捉用户交互的细微差别。在本文中，我们评估了基于RNN的短期和长期推荐任务模型。我们的实验结果表明，RNN能够预测即时和远程用户交互。我们还发现性能最好的配置是具有层归一化和绑定项嵌入的堆叠RNN。
2018-07-23 cs.IR cs.LG stat.ML
Exploring Popularity Bias in Session-based Recommendation
Alipay AntGroup（支付宝蚂蚁集团）
本研究将推荐系统流行度偏差的倾向分析拓展至基于会话的推荐场景，调整倾向计算方法，经多领域多模型实验发现倾向特性具有数据集特异性，利用分层效应可提升模型效果。
2023-12-13 cs.AI cs.IR cs.LG
Recurrent Neural Networks with Top-k Gains for Session-based Recommendations
Gravity R&D（Gravity研发公司）；Telefonica Research（西班牙电信研究院）
RNN已被证明是序列数据的优秀模型，特别是用户以基于会话的方式生成的数据。RNN的使用在基于会话的推荐中提供了令人印象深刻的性能优势。在这项工作中，我们介绍了新的排名损失函数适合RNN的建议设置。与替代方案相比，这些损失的性能得到了改善，以及本工作中描述的进一步技巧和改进，使得MRR和Recall@20的总体性能比以前基于会话的RNN解决方案提高了35%，比经典的协同过滤方法提高了53%。与基于数据增强的改进不同，我们的方法不会显著增加训练时间。我们进一步证明了RNN在在线A/B测试中相对于基线的性能增益。
2018-08-28 cs.LG
Modeling Long-Term and Short-Term Interests with Parallel Attentions for Session-based Recommendation
Shanghai Jiao Tong University（上海交通大学）
基于会话的推荐的目的是预测用户的下一个点击项目，这是一个具有挑战性的任务，由于用户行为的固有的不确定性和匿名的隐式反馈信息。强大的基于会话的推荐器通常可以探索用户不断变化的兴趣（即，他/她的长期和短期利益的结合）。注意力机制的最新进展已经导致了用于解决该任务的最先进的方法。然而，存在两个主要缺点。首先，大多数基于注意力的方法只是简单地利用最后一次点击的项目来表示用户的短期兴趣，忽略了时间信息和行为上下文，这可能无法全面地捕获用户的近期偏好。其次，目前的研究通常认为长期和短期利益同样重要，但它们的重要性应该是用户特定的。因此，我们提出了一种新的并行注意力网络模型（PAN）的基于会话的推荐。具体而言，我们提出了一种新的时间感知的注意力机制，学习用户的短期兴趣，同时考虑到上下文信息和时间信号。此外，我们引入了一个门控融合方法，自适应地整合用户的长期和短期的喜好，以产生混合兴趣表示。在三个真实数据集上的实验表明，PAN方法比现有方法有明显的改进。
2020-07-24 cs.IR cs.LG
Batch-Constrained Distributional Reinforcement Learning for Session-based Recommendation
TCS Research（塔塔咨询服务研究院）
大多数现有的深度强化学习（RL）方法都依赖于与真实用户的昂贵在线交互，或者依赖于潜在的基于规则或数据驱动的用户行为模型进行学习。在这项工作中，我们专注于学习纯批量或离线设置中的推荐策略，即仅从离线历史交互日志或从未知和次优行为策略生成的批量数据中学习策略，而无需进一步访问来自真实世界或用户行为模型的数据。我们提出了BCD4Rec：基于会话推荐的批量约束分布式强化学习。BCD4Rec建立在批处理（离线）RL和分布式RL的最新进展基础上，从离线日志中学习，同时处理由于不同的潜在兴趣偏好（环境）而导致的用户奖励的内在随机性。我们证明，BCD4Rec显着提高了行为策略，以及强大的RL和非RL基线在批量设置方面的标准性能指标，如点击率或购买率。BCD4Rec的其他有用性质包括：推荐来自正确潜在类别的项目，所述正确潜在类别指示更好的价值估计，尽管有大的动作空间（项目数量级），以及ii.克服离线日志中通常存在的点击或购买物品的受欢迎程度偏见。
2020-12-16 cs.IR cs.LG
Future Data Helps Training: Modeling Future Contexts for Session-based Recommendation
Tencent（腾讯）；University of Science and Technology of China（中国科学技术大学）；University of Edinburgh（爱丁堡大学）；Northeastern University（东北大学）
基于会话的推荐系统近年来受到了广泛的关注。现有的预测方法主要采用数据增强技术或自回归训练方法来捕捉用户行为的序列依赖关系，由于这些方法的目的是对用户行为的序列特性进行建模，因此在构建预测模型时忽略了目标交互的未来数据，然而，我们认为，目标交互之后的未来交互，在训练过程中也是可用的，提供关于用户偏好的有价值的信号，并且可以用于增强推荐质量。然而，将未来的数据正确地集成到模型训练中并不是一件容易的事情，因为它违背了机器学习原则，并且很容易导致数据泄漏。为此，我们提出了一个新的编码器-解码器框架命名为间隙填充推荐（GRec），它训练的编码器和解码器的间隙填充机制。具体地，编码器将部分完整的会话序列（其中一些项目被目的屏蔽）作为输入，并且解码器以编码表示为条件来预测这些被屏蔽的项目。我们使用具有稀疏核的卷积神经网络实例化通用GRec框架，兼顾精度和效率。我们在两个真实世界的数据集上进行了实验，涵盖了短，中，长距离用户会话，表明GRec显着优于最先进的顺序推荐方法。更多的实证研究验证了在我们的GRec框架下建模未来上下文的高效用。
2020-01-25 cs.IR cs.LG
Evaluation of Session-based Recommendation Algorithms
TU Dortmund（多特蒙德工业大学）；AAU Klagenfurt（克拉根福大学）
推荐系统帮助用户找到感兴趣的相关项目，例如在电子商务或媒体流网站上。大多数学术研究关注的是根据长期用户简档个性化推荐的方法。然而，在许多现实世界的应用中，这种长期简档通常不存在，因此必须仅基于在正在进行的会话期间观察到的用户行为来进行推荐。鉴于高的实际相关性的问题，在这个问题上的兴趣增加，可以观察到在最近几年，导致一些建议基于会话的推荐算法，通常旨在预测用户的下一个动作。在这项工作中，我们提出了一些这样的算法，使用各种数据集和评估措施的深入性能比较的结果。我们的比较包括基于递归神经网络（如GRU4REC）的最新方法，因子分解马尔可夫模型方法（如FISM或FOSSIL），以及基于更简单的方法，例如，最近邻方案。我们的实验表明，后一类算法，尽管有时几乎微不足道的性质，往往表现得同样好，或显着优于今天的更复杂的方法，基于深度神经网络。因此，我们的研究结果表明，有很大的改进空间，关于更复杂的基于会话的推荐算法的发展。
2018-10-30 cs.AI cs.IR cs.LG
RecoMind: A Reinforcement Learning Framework for Optimizing In-Session User Satisfaction in Recommendation Systems
Pinterest Inc.（Pinterest公司）
针对超大规模推荐系统应用RL优化会话目标的难题，提出基于模拟器的RecoMind框架，结合现有推荐模型与定制探索策略，经实验验证显著提升会话内用户满意度。
2025-07-31 cs.LG
Fine-Grained Session Recommendations in E-commerce using Deep Reinforcement Learning
Myntra Designs Pvt. Ltd.（Myntra设计私人有限公司）
维持用户的兴趣并让他们参与平台对于电子商业业务的成功非常重要。会话包含用户在登录到平台和注销或进行购买之间的不同活动。会话中的用户活动可以分为两组：已知意图和未知意图。已知意图活动属于可以容易地捕获用户浏览/购买特定产品的意图的会话。而在未知意图活动中，用户的意图是未知的。例如，考虑用户进入会话以随意浏览平台上的产品的场景，类似于离线设置中的橱窗购物体验。虽然在前者中推荐相似的产品是必不可少的，但在后者中，为了留住用户，准确理解意图并推荐有趣的产品是必不可少的。在这项工作中，我们主要关注未知的意图设置，我们的目标是在会话中向用户推荐一系列产品，以保持他们的兴趣，保持他们的参与度，并可能促使他们购买。我们在马尔可夫决策过程（MDP）的框架中制定这个问题，MDP是一种流行的顺序决策数学框架，并使用深度强化学习（DRL）技术解决它。然而，由于用户的浏览/购买行为存在很大差异，因此在RL范式中训练下一个产品推荐是困难的。因此，我们将问题分解为预测各种产品属性，其中可以识别并利用模式/趋势来构建准确的模型。我们表明，DRL代理提供了更好的性能相比，贪婪的策略。
2022-10-20 cs.IR cs.LG
Hierarchical Multi-Task Learning Framework for Session-based Recommendations
Georgia Institute of Technology（佐治亚理工学院）；The Home Depot（家得宝）
本文提出HierSRec，首次将分层多任务学习架构引入基于会话的推荐系统，通过元数据感知Transformer结合下一类别预测辅助任务来优化下一项目预测主任务，提升了推荐准确率和推理可扩展性。
2023-09-12 cs.AI cs.IR cs.LG
Scaling Session-Based Transformer Recommendations using Optimized Negative Sampling and Loss Functions
OTTO (GmbH & Co KG)（OTTO股份两合公司）
本文提出TRON，一种基于Transformer的会话推荐模型，通过优化负采样和列表式损失函数，在保持训练速度的同时提升推荐质量，A/B测试点击率提升18.14%。
2025-03-30 cs.AI cs.IR cs.LG
M2TRec: Metadata-aware Multi-task Transformer for Large-scale and Cold-start free Session-based Recommendations
The Home Depot（家得宝）；Georgia Institute of Technology（佐治亚理工学院）
基于会话的推荐系统（SBRS）已经显示出优于传统方法的性能。然而，它们在大规模工业数据集上显示出有限的可扩展性，因为大多数模型对每个项目学习一个嵌入。这会导致大量的内存需求（每个项目存储一个向量），并且在具有冷启动或不受欢迎项目的稀疏会话上性能较差。使用一个公共和一个大型工业数据集，我们的实验表明，国家的最先进的SBRS稀疏会话稀疏项目的性能较低。我们提出了M2TRec，一个元数据感知的多任务Transformer模型，用于基于会话的推荐。我们提出的方法学习了从项目元数据到嵌入的转换函数，因此是无项目ID的（即，不需要学习每个项目一个嵌入）。它集成了项目元数据来学习不同项目属性的共享表示。在推理过程中，新的或不受欢迎的项目将被分配相同的属性表示，它们与之前在训练过程中观察到的项目共享，因此将与这些项目具有相似的表示，从而能够推荐甚至冷启动和稀疏的项目。此外，M2TRec在多任务设置中进行训练，以预测会话中的下一个项目及其主要类别和子类别。我们的多任务策略使模型收敛更快，并显着提高了整体性能。实验结果表明，使用我们提出的方法在两个数据集上的稀疏项目显着的性能增益。
2022-09-23 cs.AI cs.IR cs.LG
Heterogeneous Information Crossing on Graphs for Session-based Recommender Systems
Zhejiang University（浙江大学）；MYbank, Ant Group（蚂蚁集团网商银行）
推荐系统是一种基本的信息过滤技术，用于推荐符合用户个性和潜在需求的内容或项目。基于会话的推荐系统是解决用户身份识别困难和历史信息不可用问题的关键，它提供的推荐服务只依赖于用户在当前会话中的行为。然而，大多数现有的研究都没有很好地设计用于建模异构用户行为和捕获它们之间的关系，在实际场景中。为了填补这一空白，在本文中，我们提出了一种新的基于图的方法，即异构信息交叉图（Heterogeneous Information Crossing on Graphs，简称CNOG）。该算法利用用户在会话中的多种行为构建异构图，通过有效地交叉图上的异构信息来捕捉用户的当前兴趣和长期偏好。此外，我们还提出了一个增强版本，命名为CNORG-CL，它结合了对比学习（CL）技术，以提高项目的表示能力。通过利用不同会话之间的项目共现关系，BLOG CL提高了BLOG的推荐性能。我们在三个真实世界的推荐数据集上进行了大量的实验，结果验证了（i）BLOG通过利用异构图上的多种行为类型实现了最先进的性能。(ii)通过所提出的对比学习模块，BLOG CL进一步显著提高了BLOG的推荐性能。
2022-10-24 cs.IR cs.LG
SR-PredictAO: Session-based Recommendation with High-Capability Predictor Add-On
The Hong Kong University of Science and Technology（香港科技大学）
针对基于会话推荐中现有模型预测器模块能力不足的问题，提出带有高能力预测器附加组件的SR-PredictAO框架，可适配多种现有模型，在基准数据集上实现HR@20最高2.9%、MRR@20最高2.3%的稳定显著提升。
2024-10-09 cs.IR cs.LG
Sequential/Session-based Recommendations: Challenges, Approaches, Applications and Opportunities
RMIT University（皇家墨尔本理工大学）；Macquarie University（麦考瑞大学）；DeepBlue Academy of Sciences（深兰科学院）；Tongji University（同济大学）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）
近年来，顺序推荐系统（SRS）和基于会话的推荐系统（SBRS）已经成为一种新的RS范例，以捕获用户的短期但动态的偏好，从而实现更及时和准确的推荐。虽然SRS和SBRS已经得到了广泛的研究，但由于描述、设置、假设和应用领域的不同，在这一领域存在许多不一致之处。没有工作提供一个统一的框架和问题说明，以消除SR/SBR领域中普遍存在的各种不一致之处。目前还缺乏对该领域的数据特征、关键挑战、最具代表性和最先进的方法、典型的实际应用和未来重要研究方向进行全面和系统的展示。这项工作旨在填补这些空白，以促进在这个令人兴奋和充满活力的领域的进一步研究。
2022-05-22 cs.AI cs.IR cs.LG
