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
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
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
Popularity-Aware Item Weighting for Long-Tail Recommendation
College of Computing and Digital Media（计算与数字媒体学院）；DePaul University（德保罗大学）
许多推荐系统都存在受欢迎程度偏差问题：受欢迎的产品经常被推荐，而不太受欢迎的利基产品很少被推荐。然而，那些被忽视的产品正是企业需要寻找客户的产品，他们的推荐会更有益。在本文中，我们研究了一个项目加权的方法来改善长尾推荐。我们的方法作为一个简单而强大的附加到现有的推荐算法，使一个可调的准确性和长尾覆盖率之间的权衡。
2018-12-05 cs.AI cs.IR
Optimizing Encoder-Only Transformers for Session-Based Recommendation Systems
Polytechnique Montreal（蒙特利尔理工学院）；Air Liquide（液化空气集团）
本文提出用于仅编码器 Transformer 的 Sequential Masked Modeling 方法，结合窗口滑动数据增强与倒数第二 token 掩码策略，在三个数据集上显著提升了单会话下一物品预测性能，优于同等信息量模型并媲美拥有更多历史的方法。
2024-10-15 cs.AI cs.IR
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
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
Aligning Recommendations with User Popularity Preferences
University of Amsterdam（阿姆斯特丹大学）；Amazon Music（亚马逊音乐）
本文研究推荐系统中的流行偏差问题，提出基于激活引导的SPREE方法，通过量化用户历史流行偏好与推荐流行度的不匹配，提升用户层面的推荐对齐性。
2026-04-01 cs.AI cs.CY cs.IR
The Unfairness of Popularity Bias in Book Recommendation
University of Southern California（南加州大学）；University College London（伦敦大学学院）；Shahid Beheshti University（沙希德·贝赫什提大学）
最近的研究表明，推荐系统通常受到流行偏见。流行性偏见是指流行的项目（即，频繁评级的项目）被频繁地推荐，而不太受欢迎的项目很少被推荐或根本不被推荐。研究人员采用了两种方法来检查流行偏见：（i）从用户的角度来看，通过分析推荐系统在接收流行项目时偏离用户期望的程度，以及（ii）通过分析长尾项目接收的曝光量，以整体目录覆盖率和新颖性为衡量标准。在本文中，我们研究的第一个观点在图书领域，虽然研究结果可能适用于其他领域以及。为此，我们分析了著名的Book-Crossing数据集，并根据他们对热门项目的倾向定义了三个用户组（即，利基，多样化，以畅销为重点）。此外，我们评估了九种最先进的推荐算法和两种基线（即，随机，MostPop）从准确度（例如，NDCG，精确度，召回）和流行偏见的观点。我们的研究结果表明，大多数国家的最先进的推荐算法遭受流行偏见的书籍领域，并未能满足用户的期望与利基和多样化的口味，尽管有一个更大的配置文件大小。相反，专注于Bestseller的用户更有可能收到高质量的推荐，无论是在公平性还是个性化方面。此外，我们的研究表明，个性化和流行性偏见的不公平性之间的权衡推荐算法属于不同的和畅销书组的用户，即具有高个性化能力的算法遭受流行性偏见的不公平性。
2022-02-27 cs.AI cs.IR
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
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
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
Exploring Popularity Bias in Music Recommendation Models and Commercial Steaming Services
Ithaca College（伊萨卡学院）；Cornell University（康奈尔大学）
流行性偏见是指推荐系统在向用户推荐艺术家时会过度偏袒受欢迎的艺术家。因此，他们可能会促成一个赢家通吃的市场，在这个市场中，少数艺术家几乎获得了所有的关注，而类似的优秀艺术家则不太可能被发现。在本文中，我们试图衡量流行偏见在三个国家的最先进的推荐系统模型（例如，SLIM，Multi-VAE，WRMF）和三个商业音乐流媒体服务（Spotify，Amazon Music，YouTube）。我们发现，最准确的模型（SLIM）也有最流行的偏见，而不太准确的模型有较少的流行偏见。我们也没有发现任何证据的流行偏见的商业建议的基础上模拟用户实验。
2022-08-19 cs.IR cs.LG cs.MM
How Do Recommendation Models Amplify Popularity Bias? An Analysis from the Spectral Perspective
Zhejiang University（浙江大学）；University of Science and Technology of China（中国科学技术大学）；Ant Group（蚂蚁集团）
本研究从谱视角分析推荐模型放大流行度偏差的根本原因，发现物品流行度被记忆在得分矩阵主谱且维度坍缩会加剧该偏差，进而提出基于谱范数正则化的去偏策略并通过实验验证其优越性。
2025-04-14 cs.AI cs.IR
CUPID: A Real-Time Session-Based Reciprocal Recommendation System for a One-on-One Social Discovery Platform
Hyperconnect（超连接公司）；Sogang University（西江大学）
针对一对一社交发现平台互惠推荐的高延迟和高训练成本问题，提出CUPID，通过会话建模与实时匹配置耦及两阶段训练降低推理与计算开销，并在Azar大规模数据上验证有效。
2024-10-08 cs.AI cs.IR
A Recommendation Approach based on Similarity-Popularity Models of Complex Networks
King Saud University（沙特国王大学）；College of Computer and Information Sciences（计算机与信息科学学院）
推荐系统已经成为在线服务和商品的提供者和用户的重要工具，特别是随着越来越多地使用互联网来访问信息和购买产品和服务。提出了一种基于相似度-流行度模型的复杂网络推荐方法。我们首先从观察到的评级中构建一个以用户和项目为节点的网络模型，然后用它来预测看不见的评级。使用隐藏度量空间和点积相似性的相似性流行模型产生准确的收视率预测的前景进行了探讨。该方法的实施和实验比较基线和国家的最先进的推荐方法对21个数据集从不同的领域。实验结果表明，该方法产生准确的预测和优于现有的方法。我们还表明，所提出的方法在低维产生优越的结果，证明其有效性的数据可视化和探索。
2022-09-29 cs.IR cs.LG
One-Shot Session Recommendation Systems with Combinatorial Items
近年来，大型网站中的内容推荐系统（或\emph{content providers}）越来越受到关注。虽然内容的类型不同，例如\电影、文章、音乐、广告等，高层次的问题仍然是一样的。基于迄今为止对用户所获得的知识，推荐最想要的内容。在本文中，我们提出了一种方法来处理推荐系统中众所周知的用户冷启动问题。在这种情况下，推荐系统遇到一个新用户，目标是尽可能地呈现相关的项目，希望尽可能长地保持用户的会话。我们制定了一个优化问题，旨在最大限度地提高这个初始会话的长度，因为这被认为是关键，让用户回来，也许注册到系统。特别是，我们的模型捕捉到这样一个事实，即一个单一的一轮低质量的建议很可能会终止会话。在这种情况下，当用户离开系统时，我们不会继续进行下一轮，可能永远不会再看到。我们将这种现象称为\emph{One-Shot Session}。我们的优化问题被公式化为MDP，其中动作空间具有组合性质，因为我们在每一轮中推荐多个项目。这个巨大的动作空间提出了一个计算挑战，使简单的解决方案棘手。我们分析的MDP的结构，证明单调和submodular一样的属性，允许通过由\emph{Greedy Value Iteration}（G-VI）表示的方法计算有效的解决方案。
2016-07-05 cs.AI cs.IR stat.ML
User-Centric Conversational Recommendation with Multi-Aspect User Modeling
University of Chinese Academy of Sciences（中国科学院大学）；Tencent（腾讯）；Beihang University（北京航空航天大学）；Institute of Intelligent Computing Technology（智能计算技术研究所）
会话式推荐系统（CRS）的目标是在会话中提供高质量的推荐。然而，大多数常规CRS模型主要关注当前会话的对话理解，而忽略了中心主题的其他丰富的多方面信息（即，用户）推荐。在这项工作中，我们强调，用户的历史对话会话和外观相似的用户是用户偏好的重要来源，除了当前的对话会话在CRS。为了系统地对多方面信息进行建模，我们提出了一个以用户为中心的会话推荐（UCCR）模型，该模型回归了CRS任务中用户偏好学习的本质。具体来说，我们提出了一个历史会话学习器，以捕捉用户的多视图偏好的知识，语义和消费的意见作为补充，以目前的偏好信号。多视图偏好映射器通过自监督目标来学习当前和历史会话中不同视图之间的内在相关性。我们还设计了一个时间相似用户选择器，通过相似用户来理解用户。所学习的多方面多视图用户偏好然后被用于推荐和对话生成。在实验中，我们对中文和英文CRS数据集进行了综合评价。与竞争模型相比，UCCR在推荐和对话生成方面的显著改进验证了其优越性。
2022-04-25 cs.AI cs.IR
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
The Unfairness of Popularity Bias in Music Recommendation: A Reproducibility Study
Know-Center GmbH（Know-Center有限公司）；Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；Graz University of Technology（格拉茨技术大学）
研究表明，推荐系统通常偏向于受欢迎的项目，这导致不太受欢迎的项目在推荐中代表性不足。Abdollahpouri等人最近在电影推荐方面的工作表明，这种流行偏见导致长尾项目以及对流行项目不感兴趣的用户受到不公平的对待。在本文中，我们再现了Abdollahpouri等人的分析。在音乐推荐的背景下。具体来说，我们调查了LastFM音乐平台的三个用户组，这些用户组根据他们的收听偏好与数据集中所有LastFM用户中最流行的音乐的偏离程度进行分类：（i）低主流用户，（ii）中等主流用户，（iii）高主流用户。根据Abdollahpouri等人的意见，我们发现，最先进的推荐算法也偏爱音乐领域中的流行项目。然而，他们提出的组平均流行度度量对LastFM产生了与电影领域不同的结果，可能是由于可用项目的数量更大（即，音乐艺术家）在LastFM数据集我们使用。最后，我们比较了三个用户组的推荐算法的准确性结果，发现低主流化组显着收到最差的建议。
2019-12-19 cs.IR cs.LG cs.SI
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
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
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
A Study on Accuracy, Miscalibration, and Popularity Bias in Recommendations
Know-Center GmbH（Know-Center有限公司）；Graz University of Technology（格拉茨技术大学）；Johannes Kepler University（约翰·开普勒大学）；Linz Institute of Technology（林茨理工学院）
最近的研究提出了不同的度量标准来衡量推荐性能的不一致性，包括用户组之间的准确性差异，误校准和受欢迎程度提升。然而，在不同的用户组中，将误校准和受欢迎程度提升与推荐准确性联系起来的研究仍然缺失。此外，目前还不清楚特定的类型是否会导致用户组之间推荐性能的不一致。在本文中，我们提出了一个分析这三个方面的五个著名的推荐算法的用户组，不同的偏好流行的内容。此外，我们还研究了不同的流派如何影响推荐性能的不一致性，以及这如何与流派的流行程度保持一致。使用LastFm、MovieLens和MyAnimeList的数据，我们提出了两个关键发现。首先，我们发现对流行内容不感兴趣的用户获得了最差的推荐准确性，这与校准错误和流行度提升有关。其次，我们的实验表明，特定的类型在不同程度上有助于推荐性能的不一致性，特别是在MyAnimeList数据集的情况下，在误校准方面。
2023-03-01 cs.AI cs.IR cs.LG
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
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
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
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
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
NISER: Normalized Item and Session Representations to Handle Popularity Bias
TCS Research（TCS研究中心）
基于会话的推荐（SR）模型的目标是利用会话中过去的动作（例如，项目/产品点击）的信息来推荐用户接下来可能点击的项目。最近，它已被证明，在一个会话中的项目交互序列可以建模为图形结构的数据，以更好地考虑复杂的项目转换。图神经网络（GNN）可以学习这种会话图的有用表示，并且已经被证明比递归神经网络等顺序模型有所改进[14]。然而，我们注意到这些基于GNN的推荐模型存在受欢迎程度偏差：模型偏向于推荐受欢迎的项目，而不能推荐相关的长尾项目（不太受欢迎或不太频繁的项目）。因此，这些模型对于实际在线设置中每天到达的不太受欢迎的新项目表现不佳。我们证明，这个问题是，在某种程度上，与学习项目和会话图表示（嵌入向量）的大小或规范。我们提出了一个训练过程，通过使用规范化表示来缓解这个问题。使用规范化项目和会话图表示的模型表现得更好：i。对于离线设置中不太受欢迎的长尾项目，以及ii.对于不太受欢迎的新推出的项目在网上设置。此外，我们的方法显着改善了现有的国家的最先进的三个基准数据集。
2021-03-04 cs.IR cs.LG
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
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
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
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
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
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
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
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
Taming Recommendation Bias with Causal Intervention on Evolving Personal Popularity
Institute of Science（科学研究所）；The University of Tokyo（东京大学）；Singapore Management University（新加坡管理大学）
本文提出 CausalEPP 方法，通过引入演化个人流行度指标量化用户偏好，设计因果图结合从众效应并进行去混杂训练，有效减轻了推荐系统中的流行度偏差并提升了准确率。
2025-05-28 cs.IR cs.LG
Popularity Degradation Bias in Local Music Recommendation
Ithaca College（伊萨卡学院）
本文研究了本地音乐推荐中的流行度退化偏差，比较 WRMF 和 Mult-VAE 后发现两者均偏向流行艺术家，但 Mult-VAE 对长尾艺术家表现更好，更适合本地音乐推荐。
2023-09-20 cs.IR cs.LG
Session-based Recommendation with Self-Attention Networks
基于会话的推荐旨在通过当前会话和先前的匿名会话预测用户的下一个行为。在基于会话的推荐中，捕获项目之间的长距离依赖关系是一个重要的挑战。提出了一种新的基于会话的推荐方法，并将自注意网络（SR-SAN）作为一种补救措施。自注意网络（SAN）允许SR-SAN捕获会话的所有项目之间的全局依赖关系，而不管它们的距离。在SR-SAN中，使用单个项目的潜在向量来捕获当前兴趣和全局兴趣，而不是由当前兴趣嵌入和全局兴趣嵌入组成的会话嵌入。在一些开放的基准数据集上进行了一些实验。实验结果表明，该方法优于一些国家的艺术比较。
2021-02-03 cs.IR
Modeling Complex Dependencies for Session-based Recommendations via Graph Neural Networks
Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））
基于会话的推荐（SBR）从会话中捕获项目的依赖关系，以推荐下一个项目。近年来，基于图神经网络（GNN）的SBR由于其在复杂依赖关系建模方面的优势而成为SBR的主流。基于相邻依赖性的强假设，在大多数基于GNN的SBR中，会话中的任何两个相邻项都必然是依赖的。然而，我们认为，由于用户行为的不确定性和复杂性，邻接并不一定表示依赖。然而，上述假设在实际推荐场景中并不总是成立，因此很容易导致两个缺点：（1）由于存在相邻但不是真正依赖的项，因此在会话中出现假依赖，以及（2）由于存在非相邻但实际依赖的项，因此在会话中出现真正依赖的缺失。这些缺点严重影响了项目表示学习，降低了下游推荐性能。为了解决这些不足，我们提出了一种新的评论细化的项目间图神经网络（RI-GNN），它利用主题信息提取的项目的评论，以改善项目之间的依赖关系。在两个公开的真实世界数据集上的实验表明，RI-GNN优于SOTA方法。
2022-07-22 cs.AI cs.IR
Transition Relation Aware Self-Attention for Session-based Recommendation
Nanjing University（南京大学）
基于会话的推荐在现实世界的场景中是一个具有挑战性的问题，电子商务，短视频平台和音乐平台，旨在基于匿名会话预测下一次点击动作。最近，图神经网络（GNNs）已经成为基于会话的推荐的最先进的方法。然而，我们发现这些方法存在两个局限性。一个是没有充分利用项目的转移关系，因为关系没有显式建模。另一个是由于GNN的限制，项目之间的长程依赖关系不能有效地捕获。为了解决上述问题，我们提出了一种新的基于会话的推荐方法，称为转换关系感知自注意（TRASA）。具体来说，TRASA首先将会话转换为图，然后通过门控递归单元将项之间的最短路径编码为它们的转换关系。然后，TRASA利用自我注意力机制在任何两个项目之间建立直接联系，而不需要通过中间联系来捕获长距离依赖。此外，在计算注意力分数时，显式地并入过渡关系。在三个真实数据集上的大量实验表明，TRASA始终优于现有的最先进的方法。
2022-03-12 cs.AI cs.IR
A GNN Model with Adaptive Weights for Session-Based Recommendation Systems
Istanbul Technical University（伊斯坦布尔理工大学）；Gazi University（加齐大学）
本文提出一种应用于图神经网络向量的自适应加权机制，通过结合辅助信息动态调整会话中项目的重要性，有效提升了 SR-GNN 模型的预测准确率并缓解了冷启动问题。
2024-08-09 cs.AI cs.IR
Revisiting Popularity and Demographic Biases in Recommender Evaluation and Effectiveness
The University of Manchester（曼彻斯特大学）；Microsoft（微软公司）
推荐算法容易受到流行偏见的影响：即使不能满足用户需求，也倾向于推荐流行的项目。一个相关的问题是，推荐质量可能因人口统计组而异。边缘化的组或在训练数据中代表不足的组可能从这些算法接收到与其他算法相比不太相关的推荐。在最近的一项研究中，Ekstrand等人调查了推荐器的性能如何根据流行度和人口统计数据而变化，并发现两个数据集上的二元性别之间的推荐效用存在统计学显著差异，并且基于年龄对一个数据集产生显著影响。在这里，我们重现这些结果，并扩展他们与其他分析。我们发现，年龄和性别的推荐性能的统计显着差异。我们观察到，老年用户的推荐效用稳步下降，女性的推荐效用低于男性。我们还发现，对于来自数据集中具有更多代表性的国家的用户，效用更高。此外，我们发现，消费内容的总使用量和受欢迎程度是推荐性能的强预测因子，并且在不同的人口统计群体中也有显着差异。
2021-10-15 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
Heterogeneous Global Graph Neural Networks for Personalized Session-based Recommendation
Tongji University（同济大学）；JD.COM Silicon Valley Research Center（京东硅谷研究中心）；Squirrel AI Learning（松鼠AI学习）；Middlesex School（米德尔塞克斯中学）；Simon Fraser University（西蒙弗雷泽大学）
预测短时间交互会话的下一次交互是基于会话的推荐中具有挑战性的任务。现有的推荐算法大多依赖于项目迁移模式，在对用户偏好建模时忽略了用户历史会话的影响，导致推荐结果非个性化。此外，现有的基于会话的个性化浏览器仅基于当前用户的会话来捕获用户偏好，而忽略了来自其他用户的历史会话的有用的项目转换模式。为了解决这些问题，我们提出了一种新的异构全局图神经网络（HG-GNN），利用项目过渡在所有会话中的微妙的方式，更好地推断用户的偏好，从当前和历史会话。为了有效地利用项目过渡在所有的会话从用户，我们提出了一种新的异构全局图，包含项目过渡的会话，用户项目的相互作用和全球共现项目。此外，为了全面地从会话中捕获用户偏好，我们建议通过两个图增强偏好编码器从全局图中学习两个级别的用户表示。具体而言，我们设计了一种新的异构全局图上的异构图神经网络（HGNN），学习长期的用户偏好和项目表示与丰富的语义。基于HGNN，我们提出了当前偏好编码器和历史偏好编码器，分别从当前和历史会话中捕获不同级别的用户偏好。为了实现个性化推荐，我们综合用户当前偏好和历史兴趣的表示，以生成最终的用户偏好表示。在三个真实数据集上的大量实验结果表明，我们的模型优于其他最先进的方法。
2022-02-27 cs.AI cs.IR
Session-aware Item-combination Recommendation with Transformer Network
Xiaomi Inc.（小米公司）；Tsinghua University（清华大学）
在本文中，我们详细描述了IEEE BigData Cup 2021的解决方案：基于RL的RecSys（轨道1：项目组合预测）。我们首先对数据集进行探索性的数据分析，然后利用这些发现来设计我们的框架。具体来说，我们使用一个基于双头transformer的网络来预测用户反馈和解锁会话，以及提出的会话感知重加权损失，多任务与点击行为预测和会话中的随机性增强。在Kaggle上的最终私人排行榜中，我们的方法排名第二，分类准确率为0.39224。
2021-11-13 cs.AI cs.IR
