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
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-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
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
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
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
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
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
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
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
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
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
Next-item Recommendations in Short Sessions
不断变化的用户对项目的偏好触发了基于会话的推荐系统（SBRS）的出现，其目的是为下一个项目的推荐建模的动态偏好的用户。然而，大多数现有的SBRS研究都是基于长会话的建议，忽略了短会话，虽然短会话，事实上，在大多数现实世界的数据集占很大比例。因此，现有SBRS解决方案的适用性大大降低。在短会话中，可用的上下文信息非常有限，这使得下一项推荐非常具有挑战性。为此，在本文中，成功的少样本学习（FSL）的启发，有效地学习模型与有限的实例，我们制定了下一个项目的建议作为FSL问题。因此，遵循FSL的代表性方法的基本思想，即，元学习，我们设计了一个有效的SBRS称为会话间协作推荐网络（INter-SEssion collaborative Recommender network，简称EAN），用于在短会话中进行下一个项目的推荐。通过精心设计的局部模块和全局模块，P2P能够在给定的短会话中学习当前用户的最佳偏好表示。在全局模块中，设计了一个相似会话检索网络（SSRN），分别从当前用户和其他用户的历史会话中找出与当前短会话相似的会话。然后利用所获得的相似会话来补充和优化本地模块从当前短会话中学习的偏好表示，以在该短会话中进行更准确的下一项目推荐。在两个真实世界的数据集上进行的大量实验表明，我们提出的神经网络在短时间内进行下一个项目推荐时，优于最先进的SBRS。
2021-07-20 cs.IR
Implementation of Recommendation Algorithm based on Recommendation Sessions in E-commerce IT System
本文提出并实现了一种基于推荐会话的ARS算法，利用图论构建数学模型并在关系数据库中实现，最终在实际电子商务系统中验证了其作为全功能推荐系统的有效性。
2024-02-13 cs.IR
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
Hybrid Session-based News Recommendation using Recurrent Neural Networks
NVIDIA（英伟达）；Instituto Tecnológico de Aeronáutica (ITA)（航空技术学院（ITA））；University of Klagenfurt（克拉根福大学）
我们描述了一个混合的元架构-CHAMELEON -基于会话的新闻推荐，能够利用各种信息类型使用循环神经网络。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使用RNN对会话点击序列进行建模并利用有关用户和文章的辅助信息的好处，从而比其他基于会话的算法具有更高的推荐准确性和目录覆盖率。
2020-06-22 cs.IR cs.LG stat.ML
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
Self-Supervised Graph Co-Training for Session-based Recommendation
基于会话的推荐通过利用短时间内的用户行为来预测下一项。与其他推荐模式相比，基于会话的推荐更容易受到数据稀疏性问题的影响，这是由于非常有限的短期交互。自监督学习可以从原始数据中发现真实样本，在解决这一问题方面具有巨大的潜力。然而，现有的自监督推荐模型主要依赖于项目/片段的丢弃来增加数据，这不适合基于会话的推荐，因为丢弃会导致数据稀疏，产生不可用的自监督信号。在本文中，信息会话为基础的数据增强，我们结合自监督学习与协同训练，然后开发一个框架，以提高基于会话的推荐。从技术上讲，我们首先利用基于会话的图来增强展示会话的内部和外部连接性的两个视图，然后我们在这两个视图上构建两个不同的图编码器，它们递归地利用不同的连接性信息来生成地面实况样本，以通过对比学习来监督彼此。与dropout策略相比，所提出的自监督图协同训练保留了完整的会话信息，并实现了真正的数据增强。在多个基准数据集上进行的大量实验表明，在自监督图协同训练机制下，基于会话的推荐可以得到显著增强，达到最先进的性能。
2021-08-24 cs.IR
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
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
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
Long-Tail Session-based Recommendation from Calibration
基于会话的推荐的准确预测已经取得了进展，但一些研究集中在由流行偏见引起的倾斜推荐列表上。现有的模型，以减轻流行的偏见，试图减少过度集中的流行项目，通过放大分数不太受欢迎的项目。然而，他们通常忽略了用户对长尾项目的不同偏好。因此，我们将校准，其中校准的建议反映了用户的兴趣，在推荐列表中以适当的比例，以减轻从用户的角度来看的流行偏见。具体来说，我们提出了一个校准模块来预测尾项在推荐列表中的会话表示的比例，并将其对齐到正在进行的会话。此外，我们利用两个阶段的课程培训策略，以提高预测的校准模块。在基准数据集上的实验表明，该模型既能达到有竞争力的推荐准确率，又能提供更多的尾项。
2022-05-02 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
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
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
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
Augmenting Recurrent Neural Networks with High-Order User-Contextual Preference for Session-Based Recommendation
KAIST（韩国科学技术院）
与以前的方法相比，最近采用循环神经网络（RNN）进行会话建模已经产生了大量的性能提升。然而，在上下文感知会话建模方面，现有的基于RNN的模型受到限制，因为它们没有被设计为显式地对丰富的静态用户侧上下文（例如，年龄、性别、地点）。因此，在本文中，我们探索了RNN会话模型的显式用户端上下文建模的实用性。具体来说，我们提出了一个增强的RNN（ARNN）模型，提取高阶用户上下文偏好使用基于产品的神经网络（PNN），以增强任何现有的RNN会话模型。评估结果表明，当用户端上下文丰富时，我们提出的模型的性能大大优于基线RNN会话模型。
2018-05-08 cs.IR cs.LG stat.ML
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
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
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
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
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
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
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
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
