Rethinking Item Importance in Session-based Recommendation
基于会话的推荐是基于匿名会话来预测用户的偏好。以前的工作主要集中在一个正在进行的会话期间的项目之间的过渡关系。他们通常没有足够的注意到项目的重要性，就其与用户的主要意图的相关性而言。在本文中，我们提出了一个基于会话的推荐方法与重要性提取模块，即，SR-IEM，考虑用户在正在进行的会话中的长期和最近行为。我们采用一种改进的自我注意力机制来估计会话中项目的重要性，然后使用该重要性来预测用户的长期偏好。项目推荐是通过将用户的长期偏好和最后交互项目所传达的当前兴趣相结合来产生的。在两个基准数据集上进行的实验验证了SR-IEM在召回率和MRR方面优于现有技术，并且具有降低的计算复杂性。
2020-05-09 cs.IR
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
Knowledge-enhanced Session-based Recommendation with Temporal Transformer
最近的研究在基于会话的推荐方面取得了令人印象深刻的进展。然而，信息，如项目知识和点击时间间隔，这可能是潜在的利用，以提高性能，仍然在很大程度上未被利用。在本文中，我们提出了一个框架，称为知识增强的基于会话的建议与时间Transformer（KSTT），将这些信息时，学习项目和会话嵌入。具体地说，知识图谱，它模型的上下文之间的项目在一个会话及其相应的属性，提出了通过图表示学习获得项目嵌入。我们引入时间间隔嵌入来表示需要预测的项目和历史点击之间的时间模式，并使用它来代替原始Transformer（称为时间Transformer）中的位置嵌入。会话中的项目嵌入通过时态Transformer网络进行传递，以获得会话嵌入，并在此基础上进行最终推荐。大量的实验表明，我们的模型在四个基准数据集上的性能优于最先进的基线。
2021-12-16 cs.IR cs.SI
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
DGTN: Dual-channel Graph Transition Network for Session-based Recommendation
University of Electronic Science and Technology of China（电子科技大学）；University of Chinese Academy of Sciences（中国科学院大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Institute of Automation and Artificial Intelligence Research, Chinese Academy of Sciences（中国科学院自动化与人工智能研究所）
基于会话的推荐的任务是根据匿名会话预测用户的行为。最近的研究主要将目标会话建模为序列或图，以捕获其中的项目转换，忽略了由其他用户生成的不同会话中的项目之间的复杂转换。这些项目转换包括潜在的协作信息，并反映了类似的行为模式，我们认为这可能有助于为目标会话提供推荐。在本文中，我们提出了一种新的方法，即双通道图转换网络（DGTN），不仅在目标会话，而且邻居会话的项目转换模型。具体来说，我们将目标会话及其邻居（类似）会话集成到一个图中。然后通过信道感知传播将过渡信号显式地注入到嵌入中。在真实数据集上的实验表明，DGTN优于其他最先进的方法。进一步的分析验证了双通道项目迁移模型的合理性，为基于会话的推荐提供了一个潜在的发展方向。
2020-09-21 cs.AI cs.IR
SimCGNN: Simple Contrastive Graph Neural Network for Session-based Recommendation
Beijing University of Posts and Telecommunications（北京邮电大学）；The University of Sydney（悉尼大学）；Zhejiang Lab（之江实验室）
基于会话的推荐（SBR）问题，其重点是对匿名用户的下一个项目的预测，受到越来越多的研究人员的关注。现有的基于图的SBR方法都缺乏区分具有相同最后一项的会话的能力，并且遭受严重的流行偏差。受对比学习方法的启发，提出了一种基于会话推荐的简单对比图神经网络（SimCGNN）。在SimCGNN中，我们首先在构建的会话图上获得规范化的会话嵌入。接下来，我们通过两个前向传播和一个新的负样本选择策略来构造会话的正样本和负样本，然后计算建设性损失。最后，会话嵌入用于给出预测。在两个真实数据集上进行的大量实验表明，我们的SimCGNN与最先进的方法相比取得了显着的改进。
2023-02-08 cs.AI 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
Session-based Recommendation with Graph Neural Networks
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）；University of Science and Technology Beijing（北京科技大学）；Tongji University（同济大学）；Microsoft Research Asia（微软亚洲研究院）
基于会话的推荐问题的目的是基于匿名会话预测用户的行为。先前的方法将会话建模为序列，并且除了项目表示之外还估计用户表示以进行推荐。虽然取得了可喜的成果，他们是不够的，以获得准确的用户向量的会话和忽略复杂的项目过渡。为了获得准确的项目嵌入，并考虑到项目的复杂过渡，我们提出了一种新的方法，即基于会话的推荐与图神经网络，SR-GNN为简洁。在所提出的方法中，会话序列被建模为图结构的数据。基于会话图，GNN可以捕获项目的复杂转换，这是很难被以前的传统顺序方法揭示。然后，每个会话被表示为使用注意力网络的全局偏好和该会话的当前兴趣的组合。在两个真实数据集上进行的大量实验表明，SR-GNN明显优于最先进的基于会话的推荐方法。
2019-01-24 cs.IR cs.LG stat.ML
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
On the Effectiveness of Unlearning in Session-Based Recommendation
Shandong University（山东大学）；Leiden University（莱顿大学）
针对会话推荐中遗忘效果不佳的问题，提出SRU框架，通过子模型划分与注意力聚合，结合三种额外删除策略，提升遗忘效率与推荐性能。
2023-12-22 cs.AI cs.IR
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
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
SR-GCL: Session-Based Recommendation with Global Context Enhanced Augmentation in Contrastive Learning
Samsung Research, Samsung Electronics（三星电子三星研究院）
基于会话的推荐旨在根据正在进行的会话预测用户的下一个行为。以前的工作一直建模会话作为一个可变长度的项目序列，并学习表示的单个项目和聚合会话。最近的研究已经应用了具有注意力机制的图神经网络，通过将会话建模为图结构数据来捕获复杂的项目转换和依赖关系。然而，它们仍然面临着数据和学习方法方面的根本挑战，例如稀疏的监督信号和会话中的嘈杂交互，导致次优性能。在本文中，我们提出了SR-GCL，一个新的对比学习框架，基于会话的推荐。作为对比学习的一个重要组成部分，我们提出了两个全局上下文增强的数据增强方法，同时保持原始会话的语义。在两个真实的电子商务数据集上的实验结果表明了SR-GCL方法相对于其他方法的优越性。
2022-09-23 cs.AI cs.IR
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
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
SR-HetGNN:Session-based Recommendation with Heterogeneous Graph Neural Network
Beijing University of Posts and Telecommunications（北京邮电大学）
针对现有会话推荐忽略用户画像等信息的问题，提出基于异构图神经网络的SR-HetGNN方法，通过构建异构图、融合长短期偏好学习会话嵌入，在两个真实数据集上性能优于现有最优方法。
2023-10-05 cs.AI 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
