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
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
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
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
Explainable Recommendation via Multi-Task Learning in Opinionated Text Data
University of Virginia(弗吉尼亚大学)
解释自动生成的建议允许用户做出关于使用哪些结果的更明智和准确的决定,从而提高他们的满意度。在这项工作中,我们开发了一个多任务学习解决方案,可解释的建议。两个同伴学习任务的用户偏好建模的推荐}和\textit {固执己见的内容建模的解释是通过一个联合张量分解集成。结果,该算法不仅预测用户对项目列表的偏好,即,推荐,而且还包括用户将如何欣赏特征级别的特定项目,即,自以为是的文字解释。在两个大型的亚马逊和Yelp评论集合上进行的大量实验证实了我们的解决方案在推荐和解释任务中的有效性,与现有的几种推荐算法相比。我们广泛的用户研究清楚地证明了我们算法生成的可解释建议的实用价值。
2018-06-10 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
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
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
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
CORE: Simple and Effective Session-based Recommendation within Consistent Representation Space
Renmin University of China(中国人民大学);Ant Group(蚂蚁集团);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
基于会话的推荐(SBR)是指基于匿名会话中的短期用户行为预测下一个项目的任务。然而,由非线性编码器学习的会话嵌入通常与项目嵌入不在相同的表示空间中,从而导致在推荐项目时的不一致预测问题。为了解决这个问题,我们提出了一个简单而有效的框架称为CORE,它可以统一的表示空间的编码和解码过程。首先,我们设计了一个表示一致的编码器,它把输入项嵌入的线性组合作为会话嵌入,保证会话和项在同一个表示空间中。此外,我们还提出了一种鲁棒的距离度量方法,以防止嵌入在一致表示空间中的过拟合。在五个公开的真实世界数据集上进行的大量实验证明了该方法的有效性和效率。该代码可从以下网址获得:https://github.com/RUCAIBox/CORE。
2022-04-23 cs.AI 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
Explainable Recommendation: A Survey and New Perspectives
Rutgers University(罗格斯大学);Tsinghua University(清华大学)
可解释的推荐试图开发不仅能生成高质量推荐而且能生成直观解释的模型。解释可以是事后的,也可以直接来自可解释的模型(在某些上下文中也称为可解释或透明模型)。可解释的推荐试图解决为什么的问题:通过向用户或系统设计者提供解释,它帮助人们理解为什么某些项目被算法推荐,其中人类可以是用户或系统设计者。可解释推荐有助于提高推荐系统的透明度、说服力、有效性、可信度和满意度。它也便于系统设计人员更好地进行系统调试。近年来,大量的可解释的推荐方法-特别是基于模型的方法-已被提出并应用于现实世界的系统。本文对可解释性推荐研究进行了综述。我们首先强调了可解释推荐在推荐系统研究中的地位,将推荐问题分为5 W,即,什么,何时,何人,何地,为何然后,我们从三个方面对可解释性推荐进行了全面的调查:1)我们提供了一个可解释性推荐的时间研究时间轴。2)我们提供了一个二维分类现有的可解释的推荐研究。3)我们总结了如何解释推荐适用于不同的推荐任务。我们还专门用一章来讨论更广泛的IR和AI/ML研究中的解释视角。我们通过讨论潜在的未来方向来结束调查,以促进可解释推荐研究领域及其他领域。
2020-09-13 cs.AI cs.IR cs.MM
Exploiting Inter-Session Information with Frequency-enhanced Dual-Path Networks for Sequential Recommendation
University of Electronic Science and Technology of China(电子科技大学)
针对现有频率感知序列推荐忽略跨会话频谱依赖的问题,提出FreqRec双路径网络,通过频域多层感知机捕捉会话间/内行为,结合复合目标优化,在三个基准上优于基线且鲁棒性强。
2025-11-14 cs.AI cs.IR
Context-aware short-term interest first model for session-based recommendation
Heilongjiang University(黑龙江大学)
在用户简档不可用的情况下,基于匿名会话的推荐尤为重要,其目的是根据用户在一段时间内的访问顺序来预测用户下一时刻可能点击的项目。近年来,随着递归神经网络、注意力机制和图神经网络的发展,基于会话的推荐性能得到了很大的提高。然而,以前的方法没有全面考虑上下文的依赖性和短期利益第一的会话。为此,本文提出了一种上下文感知的短期兴趣优先推荐模型(CASIF),旨在通过结合上下文和短期兴趣来提高推荐的准确性。在CASIF中,我们动态地为会话序列构造一个图结构,并通过图神经网络(GNN)捕获丰富的上下文依赖,潜在的特征向量被捕获作为下一步的输入。然后构建了短期兴趣优先模块,该模块能够在长期记忆的背景下从会话中捕获用户的一般兴趣,同时从用户最近一次点击的项目中获取用户的当前兴趣。最后,将短期兴趣和长期兴趣结合起来作为最终兴趣,并乘以候选向量以获得推荐概率。最后,在两个真实数据集上的大量实验证明了该方法的有效性。
2021-03-29 cs.AI cs.IR
PEN4Rec: Preference Evolution Networks for Session-based Recommendation
National Computer System Engineering Research Institute of China(国家计算机系统工程研究所);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院)
基于会话的推荐旨在根据用户在匿名会话中的历史行为预测用户的下一个动作。为了获得更好的推荐,捕获用户偏好及其动态至关重要。此外,用户偏好随时间动态演化,每个偏好都有自己的演化轨迹。然而,以往的研究大多忽略了偏好的演化趋势,容易受到偏好漂移效应的干扰。在本文中,我们提出了一种新的基于会话的推荐偏好进化网络(PEN4Rec)模型的偏好进化过程中的两个阶段的检索历史的背景。具体而言,第一阶段过程根据最近的项目整合相关行为。然后,第二阶段的过程模型的偏好演变轨迹随时间的动态和推断丰富的偏好。该过程可以增强相关序列行为在偏好演化中的作用,减弱偏好漂移对偏好演化的干扰。在三个公开数据集上的实验证明了该模型的有效性和优越性。
2021-06-17 cs.AI cs.IR
TempGNN: Temporal Graph Neural Networks for Dynamic Session-Based Recommendations
Samsung Research, Samsung Electronics(三星电子三星研究院)
提出TempGNN框架,利用动态会话图上的时序嵌入算子捕捉物品转移的结构与时间动态,在两个真实电商数据集上取得最先进性能。
2023-10-20 cs.AI cs.IR
HCGR: Hyperbolic Contrastive Graph Representation Learning for Session-based Recommendation
Ant Group(蚂蚁集团);Shantou University(汕头大学);Tianjin University(天津大学)
基于会话的推荐(SBR)通过从用户行为的演变中捕捉短期和连续的模式来学习用户的偏好。在SBR领域的研究中,基于图的方法是一种比较强大的方法,它通常通过在欧氏空间下的消息聚合来提取项目信息。然而,这样的方法不能有效地提取包含在一个会话中的连续项目之间的层次信息,这是表示用户的偏好的关键。在本文中,我们提出了一个双曲对比图推荐(HCGR),一个原则性的基于会话的推荐框架,涉及洛伦兹双曲空间,以充分捕捉项目的连贯性和层次表示。在这个框架内,我们设计了一种新的自适应双曲注意力计算聚合每个用户的偏好在一个基于会话的行为序列的图形消息。此外,利用对比学习,通过考虑双曲空间中正负样本之间的测地线距离来优化项目表示。在四个真实世界数据集上的广泛实验表明,HCGR在$HitRate$、$NDCG$和$MRR$方面始终优于最先进的基线0.43 $\%$-28.84 $\%$。
2021-07-06 cs.AI cs.IR
Context-aware Session-based Recommendation with Graph Neural Networks
East China Normal University(华东师范大学)
针对会话推荐中忽略边类型、固定物品嵌入和硬标签等问题,提出基于图神经网络的多关系跨会话图与个性化表示及软标签协作的CARES模型,在三个基准数据集上优于现有方法。
2023-10-14 cs.AI cs.IR
Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation
Dalian University of Technology(大连理工大学);Wuhan University(武汉大学);Pennsylvania State University(宾夕法尼亚州立大学)
基于会话的推荐旨在根据匿名用户的短行为序列预测其想要购买的物品。现有的基于会话的推荐方法只关注用户的兴趣偏好建模,而忽略了项目的一个关键属性,即,价格.许多市场研究表明,价格因素对用户的购买行为有着显著的影响,用户的购买决策同时受到价格偏好和兴趣偏好的影响。然而,将价格偏好纳入基于会话的推荐是不平凡的。首先,很难处理来自物品的各种特征的异构信息来捕获用户的价格偏好。其次,很难对价格和兴趣偏好之间的复杂关系进行建模,以确定用户的选择。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--协同引导的异构超图网络(CoHHN)。对于第一个挑战,我们设计了一个异构超图来表示异构信息和它们之间的丰富关系。设计了一种双通道聚合机制,用于聚合异构超图中的各种信息。在此基础上,通过注意力层提取用户的价格偏好和兴趣偏好。对于第二个挑战,设计了一个共同引导的学习方案,以建模价格和利率偏好之间的关系,并加强彼此的学习。最后,我们预测用户行为的基础上项目的功能和用户的价格和兴趣偏好。在三个真实数据集上的大量实验证明了所提出的CoHHN的有效性。进一步的分析揭示了价格对基于会话的推荐的重要性。
2022-05-09 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
Measuring "Why" in Recommender Systems: a Comprehensive Survey on the Evaluation of Explainable Recommendation
Rutgers University(罗格斯大学);Renmin University of China(中国人民大学)
可解释推荐在提高推荐说服力、用户满意度、系统透明性等方面显示出巨大的优势。可解释性推荐的一个基本问题是如何评价这些解释。在过去几年中,提出了各种评价战略。但是,它们散见于不同的论文中,缺乏系统而详细的比较。为了弥补这一差距,本文全面回顾了前人的工作,并根据评价视角和评价方法对它们进行了不同的分类。除了总结以前的工作,我们还分析了现有的评估方法的优点(缺点),并提供了一系列的指导方针,如何选择他们。本调查的内容基于来自顶级会议(如IJCAI、AAAI、TheWebConf、Recsys、UMAP和IUI)的100多篇论文,其完整摘要可参见https://shimo.im/sheets/VKrpYTcwVH6KXgdy/MODOC/。通过这次调查,我们最终的目的是提供一个清晰和全面的评价可解释的建议。
2022-02-14 cs.AI cs.IR
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
Graph-Enhanced Multi-Task Learning of Multi-Level Transition Dynamics for Session-based Recommendation
JD Finance America Corporation(京东金融美国公司);South China University of Technology(华南理工大学);Peng Cheng Laboratory(鹏城实验室);Communication and Computer Network Laboratory of Guangdong(广东省通信与计算机网络实验室);Wilfrid Laurier University(威尔弗里德·劳里埃大学);York University(约克大学)
基于会话的推荐在从电子商务到在线广告服务的广泛的在线应用中起着核心作用。然而,大多数现有的基于会话的推荐技术(例如,基于注意力的循环网络或图神经网络)没有被很好地设计用于捕获以时间有序和多级相互依赖关系结构表现出的复杂转换动态。这些方法在很大程度上忽略了项目迁移模式的关系层次。在本文中,我们提出了一个多任务的学习框架与多层次的过渡动力学(MTD),使联合学习的会话内和会话间的项目过渡动力学自动和分层的方式。为此,我们首先开发了一个位置感知的注意力机制,以学习项目的过渡期内个别会话。然后,提出了一个图结构的层次关系编码器,通过执行嵌入传播与全局图上下文的高阶连接的形式显式捕获跨会话项目的转换。整合了会话内和会话间过渡动态的学习过程,以在共同的潜在空间中保留底层的低级和高级项目关系。在三个真实世界数据集上的广泛实验证明了MTD与最先进的基线相比的优越性。
2021-10-08 cs.AI cs.IR
Hierarchical Intent-guided Optimization with Pluggable LLM-Driven Semantics for Session-based Recommendation
Institute for Clarity in Documentation(清晰文档研究所);Inria Paris-Rocquencourt(巴黎- Rocquencourt 国家信息与自动化所);Rajiv Gandhi University(拉吉夫·甘地大学);Tsinghua University(清华大学);Palmer Research Laboratories(帕勒尔研究实验室);School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications(信息与通信技术大学计算机科学学院);The State Key Laboratory of Blockchain and Data Security, Zhejiang University(区块链与数据安全国家重点实验室);Central South University(中南大学);National University of Singapore(新加坡国立大学);Jinan University(暨南大学);Beijing University of Posts and Telecommunications(信息与通信技术大学);TravelSky Technology Limited(旅行天空技术有限公司)
本文提出HIPHOP方法,通过可插拔LLM语义嵌入、动态多意图捕捉、层次化会话间相似性学习及意图引导去噪,结合对比学习优化会话表示,显著提升会话推荐性能。
2025-07-07 cs.AI cs.IR
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
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
AOTree: Aspect Order Tree-based Model for Explainable Recommendation
Fudan University(复旦大学);Microsoft Research Asia(微软亚洲研究院)
最近的推荐系统的目标不仅是提供准确的推荐,而且还提供解释,帮助用户更好地理解它们。然而,大多数现有的可解释推荐只考虑了内容在评论中的重要性,如单词或方面,而忽略了它们之间的排序关系。这种疏忽忽略了人类决策过程中至关重要的排序维度,导致性能不佳。因此,本文受认知和决策心理学中的顺序效应理论的启发,提出了基于方面顺序树(AOTree)的可解释推荐方法,以捕捉决定因素之间的依赖关系。我们首先通过分析用户的评论来验证推荐场景中的理论。然后,根据该理论,提出的AOTree扩展了决策树的构造,以捕获用户决策过程中的方面顺序,并使用注意力机制进行预测的方面顺序的基础上。大量的实验表明,我们的方法的有效性评级预测,我们的方法更一致地与用户的决策过程中显示的解释,以特定的顺序,从而提高可解释性。
2024-08-03 cs.AI cs.IR
Bid Farewell to Seesaw: Towards Accurate Long-tail Session-based Recommendation via Dual Constraints of Hybrid Intents
University of Electronic Science and Technology of China(电子科技大学)
针对会话推荐中长尾分布导致准确性与多样性冲突的跷跷板问题,提出混合意图双重约束框架HID,通过属性感知谱聚类重构意图映射并区分噪声意图,结合多样性与准确性约束损失,实现长尾与准确性的双赢。
2026-06-19 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
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
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
Towards Explainable Scientific Venue Recommendations
cs.uni-kassel.de(卡塞尔大学计算机科学系(注:此处严格按文本提取,原文本中邮箱格式显示为该机构,因无其他明确机构信息,仅提取此部分))
选择最佳科学场地(即,会议/期刊)提交研究论文构成了多方面的挑战。需要考虑的重要方面是研究主题的适合性,场地的声望和接受的可能性。由于不断出现更多的场地,选择问题更加严重。先前提出的用于在该过程中支持作者的方法依赖于复杂的推荐系统,例如,基于Word 2 Vec或TextCNN。然而,这些建议往往没有解释。在这项工作中,我们提出了一种简单的方法,在两个方面提高了最先进的水平:首先,我们通过基于非负矩阵分解的主题模型增强了推荐的可解释性;其次,我们可以在使用更简单的学习方法的同时获得有竞争力的推荐性能。
2021-09-21 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
REASONER: An Explainable Recommendation Dataset with Multi-aspect Real User Labeled Ground Truths Towards more Measurable Explainable Recommendation
可解释性推荐引起了业界和学术界的广泛关注。它在提高推荐的说服力、信息量和用户满意度方面显示出巨大的潜力。尽管在过去的几年里已经提出了许多有前途的可解释推荐模型,这些模型的评价策略受到一些限制。例如,解释真值没有被真实用户标记,解释大多仅基于一个方面进行评价,并且评价策略难以统一。为了缓解上述问题,我们建议使用多方面的真实用户标记的真值构建一个可解释的推荐数据集。具体来说,我们首先开发了一个视频推荐平台,围绕推荐可解释性的一系列问题进行了精心设计。然后,我们招募了大约3000名不同背景的用户使用该系统,并收集他们的行为和反馈我们的问题。在本文中,我们详细介绍了我们的数据集的构建过程,并对其特征进行了广泛的分析。此外,我们开发了一个库,其中十个著名的可解释的推荐模型在一个统一的框架中实现。基于该库,我们为不同的可解释推荐任务构建了几个基准测试。最后,我们提出了我们的数据集带来的许多新的机会,这些机会有望为可解释的推荐领域带来一些新的亮点。我们的数据集、库和相关文档已在https://reasoner2023.github.io/上发布。
2023-03-01 cs.IR
A Survey on Large Language Models for Personalized and Explainable Recommendations
本综述分析了推荐系统如何利用大语言模型提升个性化和可解释推荐,并探讨了个性化解释生成任务中的冷启动、不公平与偏见等主要挑战。
2023-11-21 cs.AI 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
Fairness-Aware Explainable Recommendation over Knowledge Graphs
Rutgers University(罗格斯大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Washington(华盛顿大学)
最近,人们越来越关注公平性的考虑,特别是在智能决策系统的背景下。特别是可解释的推荐系统,可能会受到解释偏差和性能差异的影响。在本文中,我们分析了不同群体的用户,根据他们的活动水平,发现不同群体之间的推荐性能存在偏见。我们表明,不活跃的用户可能更容易收到不满意的建议,由于不活跃的用户的训练数据不足,他们的建议可能会有偏见的培训记录更活跃的用户,由于协同过滤的性质,这导致系统的不公平待遇。我们提出了一个公平性约束的方法,通过启发式重新排名,以减轻这种不公平的问题,在知识图谱的背景下,可解释的建议。我们在几个真实世界的数据集上进行实验,使用最先进的基于知识图谱的可解释推荐算法。实验结果表明,该算法不仅能够提供高质量的可解释推荐,而且在多个方面降低了推荐的不公平性。
2020-06-28 cs.AI cs.IR cs.SI
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
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
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
Disentangling ID and Modality Effects for Session-based Recommendation
Dalian University of Technology(大连理工大学);Leiden University(莱顿大学);Pennsylvania State University(宾夕法尼亚州立大学)
提出DIMO框架,通过物品级共现表示与模态对齐、会话级多视图自监督解耦(代理机制与反事实推断),实现ID与模态效应的解耦,提升会话推荐的准确性与可解释性。
2024-04-19 cs.AI 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
User Persona Identification and New Service Adaptation Recommendation
AWS AI Labs(AWS AI实验室)
本文提出利用用户会话轨迹信息自动识别用户画像,并引入从头训练的Transformer语言模型SessionBERT捕获token语义,在预测页面链接和下一服务上F1分数分别提升3%和1%,扩展后推荐模型HIT@5达58%。
2023-11-15 cs.AI 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