Deep Session Interest Network for Click-Through Rate Prediction
点击率（CTR）预测在许多工业应用中起着重要的作用，例如在线广告和推荐系统。如何从用户的行为序列中捕捉用户动态变化的兴趣，一直是CTR预测中的一个研究课题。然而，大多数现有的研究忽略了序列的内在结构：序列是由会话组成的，其中会话是由它们的发生时间分开的用户行为。我们观察到，用户行为是高度同质的，在每个会话，和异构的跨会话。基于这一观察，我们提出了一种新的CTR模型命名为深度会话兴趣网络（DSIN），利用用户的多个历史会话在他们的行为序列。我们首先使用带有偏见编码的自我注意力机制来提取用户在每个会话中的兴趣。然后，我们应用Bi-LSTM来建模用户的兴趣如何在会话之间演变和交互。最后，我们采用本地激活单元，自适应地学习各种会话兴趣对目标项目的影响。在广告和生产推荐数据集上进行了实验，DSIN在这两个数据集上的性能都优于其他最先进的模型。
2019-05-16 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
Diversification in Session-based News Recommender Systems
推荐系统广泛应用于新闻网站等数字平台，以基于用户偏好提供个性化服务。在新闻网站中，大多数用户是匿名的，唯一可用的数据是匿名会话中的项目序列。由于这一点，典型的协同过滤方法，这是高度应用在许多应用中，是不是有效的新闻推荐。在这种情况下，基于会话的排序器能够根据活动会话中先前项目的顺序推荐下一个项目。与更复杂的方法相比，基于邻域的基于会话的路由器已被证明是非常有效的。在这项研究中，我们提出的方案，使这些基于会话的推荐系统的多样性意识，并解决过滤气泡现象。过滤泡现象是新闻推荐系统中普遍存在的问题，它发生在系统缩小信息范围，剥夺用户多样性信息的时候。应用所提出的方案的结果表明，这些多样化的情况下，这些基于会话的推荐系统的基础上的四个新闻数据集的多样性措施。
2021-12-17 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
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
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
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
Evolutionary Preference Learning via Graph Nested GRU ODE for Session-based Recommendation
基于会话的推荐（SBR）旨在根据正在进行的会话预测用户的下一个动作。最近，有越来越多的兴趣建模的用户偏好的演变，以捕捉细粒度的用户兴趣。虽然会话背后的潜在用户偏好随着时间的推移不断漂移，但大多数现有方法仍然在离散状态空间中对时间会话数据进行建模，这无法捕获细粒度的偏好演化并导致次优解决方案。为此，我们提出了图嵌套GRU常微分方程（ODE），即GNG-ODE，一种新的连续模型，扩展了神经ODE的思想，连续时间的时间会话图。该模型保留了动态用户偏好的连续性，将项目转换的时间和结构模式编码为连续时间动态嵌入。由于现有的ODE求解器不考虑图结构的变化，因此不能直接应用于动态图，我们提出了一种时间对齐技术，称为t对齐，对齐的时间会话图的更新时间步骤内的一批。在三个基准数据集上的实证结果表明，GNG-ODE显著优于其他基线。
2022-08-22 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
Predict your Click-out: Modeling User-Item Interactions and Session Actions in an Ensemble Learning Fashion
本文介绍了POLINKS团队对RecSys Challenge 2019的解决方案，该解决方案的重点是预测基于会话的交互中的最后点击。我们提出了一个集成的方法，包括一个矩阵分解的交互用户项建模，和会话感知学习模型与递归神经网络实现。这种方法似乎是有效的预测最后点击得分0.60277的平均倒数排名的本地测试集。
2020-02-08 cs.IR
Categorizing User Sessions at Pinterest
不同的用户可以以多种不同的方式使用给定的Internet应用程序。记录用户在应用程序中活动的详细事件日志的能力使我们能够发现应用程序的使用方式。这实现了个性化，并带来了重要的见解和可操作的业务和产品成果。在这里，我们研究的问题，用户会话分类，其目标是自动发现类别/类的用户在会话中的行为使用事件日志，然后一致地将每个用户会话到发现的类。我们开发了一个三阶段的方法，它使用聚类来发现会话的类别，然后构建分类器将新会话分类到所发现的类别中，最后在分布式管道中执行日常分类。我们的方法的一个重要创新是选择一组事件作为长尾特征，并将其替换为对产品实验和日志更改不太敏感的新特征。这允许健壮和稳定地识别会话类型，即使底层应用程序不断变化。我们将该方法部署到Pinterest并展示其有效性。我们发现对产品货币化、增长和设计有影响的见解。我们的解决方案每天对数百万用户会话进行分类，并提供可操作的见解。
2017-10-25 cs.HC cs.IR
Session-based Sequential Skip Prediction via Recurrent Neural Networks
WSDM Cup 2019的重点是基于会话的顺序跳过预测，即预测用户是否会跳过曲目，考虑到他们在收听会话中的前一次交互。本文提供了我们的团队\textbf{ekffar}的解决方案，以应对这一挑战。我们专注于基于递归神经网络的深度学习方法，这些方法在基于会话的推荐问题上表现良好。我们表明，通过选择适当的递归架构，适当地考虑到给定的信息，如用户交互功能和歌曲元数据，一个单一的神经网络可以实现平均平均精度（AA）得分为0.648的保留测试数据。同时，通过集成核心模型的几个变体，可以进一步提高整体推荐准确性。通过使用所提出的方法，我们的团队能够在比赛中获得第一名。我们已经在GitHub上开源了我们的实现。
2019-02-13 cs.IR
Similarity-Based Supervised User Session Segmentation Method for Behavior Logs
The University of Electro-Communications（电气通信大学）
本研究提出一种基于相似度特征的监督式会话分割方法，利用嵌入和属性计算相似度，训练分类模型预测边界，在真实数据上LightGBM取得最佳性能，有效捕捉动态用户行为。
2025-10-17 cs.IR
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
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
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
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
Recognizing Topic Change in Search Sessions of Digital Libraries based on Thesaurus and Classification System
Web搜索中的日志分析表明，用户会话通常包含几个不同的主题。这意味着会话需要被分割成处理相同主题的部分，以便基于主题而不是混合主题提供适当的用户支持。已经提出了基于超时、词法分析、查询相似性或外部知识源将用户会话分割为不同主题的不同方法。本文研究了社会科学数字图书馆中的这一问题。本文提出了一种基于数字图书馆中典型的知识组织系统--叙词表和分类系统的方法。五位专家评估了我们的方法，并将其评为将搜索会话分割为处理相同主题的部分的好方法。
2019-09-24 cs.DL 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
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
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
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
Contrastive Multi-Level Graph Neural Networks for Session-based Recommendation
Shandong Normal University（山东师范大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
针对基于会话的推荐中数据稀疏问题，提出对比式多层图神经网络CM-GNN，融合多层级物品转换信息并通过对比学习增强表示，在多个基准数据集上性能优于现有SBR方法。
2023-11-06 cs.AI cs.IR
Behavior-based evaluation of session satisfaction
如今，网络搜索在世界范围内变得越来越流行。许多研究人员和开发人员对搜索用户的行为进行了大量的研究。在实践中，对这些行为的充分认识，不仅有助于评估新开发的排序算法的有用性和搜索引擎的其他变化，而且可以指导搜索引擎的发展方向。据我们所知，过去的研究大多集中在单个搜索引擎的评价上，这在早期确实促进了搜索引擎的快速发展。然而，这些页面级别的行为是如此有限，以至于不能再对搜索引擎的微小变化给出明确的反馈。我们认为，当提供更多有关搜索会话的信息时，它将更加准确和敏感。本文提出了一种会话级评估方法。检索并仔细分析会话级功能。在评价模型中选取了反映最终满意度的线性和非线性特征。设计并训练了一个具有不同粒度的两层混合评价模型，该模型能达到较好的查准率和查全率。通过大量的实际实验进行评估，结果表明，该模型取得了更高的准确率性能比传统的页面级评估指标。此外，为了实际应用，解释每个会话的满意度判断的原因是重要的。本文提出了一个会话级的评价模型，并将其应用于搜索引擎公司的实际应用中。
2018-06-22 cs.IR
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
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
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
Sequential modeling of Sessions using Recurrent Neural Networks for Skip Prediction
FindHotel
推荐系统在音乐流媒体服务中发挥着至关重要的作用，特别是以个性化播放列表的形式。探索这些收听会话内的用户交互对于理解单个会话的上下文中的用户偏好是有益的。在“Spotify顺序跳过预测测试”中，WSDM和Spotify正在挑战人们理解用户顺序与音乐交互的方式。我们在本文中描述了我们的解决方案的方法，并提出进一步改进的模型。所提出的模型最初生成会话的固定向量表示，并且将此附加信息并入编码器-解码器风格的架构中。该方法在比赛中获得了第七名，在测试集上的平均准确率为0.604。解决方案代码可在https://github.com/sainathadapa/spotify-sequential-skip-prediction上获得。
2019-04-23 cs.IR cs.LG
Comprehensive Empirical Evaluation of Deep Learning Approaches for Session-based Recommendation in E-Commerce
一旦用户在短时间内找到更多符合其兴趣的商品，电子商业服务的销售就有了保证。因此，推荐系统已经成为任何成功的电子商业服务的关键部分。虽然各种推荐技术可以用于电子商业，相当多的注意力已经提请基于会话的推荐系统在最近几年。这种日益增长的兴趣是由于对收集个性化用户行为数据的安全担忧，特别是在最近的一般数据保护法规之后。在这项工作中，我们提出了一个全面的评估国家的最先进的深度学习方法中使用的基于会话的建议。在基于会话的推荐中，推荐系统依靠用户在同一会话中做出的事件序列来预测和认可更可能与他/她的偏好相关的其他项目。我们广泛的实验研究了基线技术（\textit{e.g.,}最近邻和模式挖掘算法）和深度学习方法（\textit{e.g.,}循环神经网络，图神经网络和基于注意力的网络）。我们的评估表明，先进的基于神经元的模型和基于会话的最近邻算法在大多数情况下优于基线技术。然而，我们发现，当用户兴趣存在漂移时，以及在训练期间没有足够的数据来正确地对不同的项目进行建模时，这些模型在长会话的情况下会受到更多的影响。我们的研究表明，使用不同方法的混合模型与基线算法相结合，可以在基于数据集特征的基于会话的推荐中产生实质性结果。我们还讨论了目前基于会话的推荐算法的缺点和进一步开放的研究方向在这一领域。
2020-10-17 cs.CY cs.IR cs.MM
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
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
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
Predicting Session Length in Media Streaming
RISE SICS（瑞典计算机科学研究院）；Pandora Media Inc.（潘多拉媒体公司）
会话长度是确定用户对媒体流服务的满意度的一个非常重要的方面。能够预测会话将持续多长时间对于各种下游任务（例如推荐和广告调度）非常有用。大多数关于用户交互持续时间的相关文献都集中在网站的停留时间上，通常是在搜索结果或显示广告中近似的点击后满意度的背景下。在这项工作中，我们提出了第一个分析的会话长度在移动为重点的在线服务，使用现实世界的数据集，从一个主要的音乐流媒体服务。我们使用生存分析技术表明，用户之间的长度分布的特征可以显着不同，并使用梯度提升树与适当的目标，预测会话的长度，仅使用在其开始时可用的信息。我们对真实世界数据的评估表明，我们提出的技术优于所考虑的基线。
2017-08-01 cs.IR cs.LG
Metric Learning for Session-based Recommendations
Computer Vision Center（计算机视觉中心）；Universitat Autónoma de Barcelona（巴塞罗那自治大学）；Warsaw University of Technology（华沙理工大学）
基于会话的预测器用于对用户不间断的动作序列进行预测，对许多应用程序都很有吸引力。在这里，对于这项任务，我们建议使用度量学习，其中创建会话和项目的公共嵌入空间，距离度量所提供的用户事件序列与下一个动作之间的差异。我们讨论和比较度量学习方法常用的学习排名方法，其中存在一些协同作用。我们提出了一个简单的架构问题分析，并证明，既不广泛的大，也不深的架构是必要的，以优于现有的方法。对强基线的实验结果在四个数据集上提供了一个消融研究。
2021-01-07 cs.IR cs.LG
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
Data Augmentation Using Many-To-Many RNNs for Session-Aware Recommender Systems
由Booking.com组织的ACM WSDM WebTour 2021挑战赛专注于在旅游领域应用会话感知推荐系统。给定用户旅行中的一系列旅行预订，我们希望推荐用户的下一个目的地。为了处理输出空间的大维度，我们提出了一个多对多的RNN模型，预测用户在每个序列步骤中选择的下一个目的地，而不仅仅是最后一个。我们展示了这是如何在多对一RNN中进行数据增强的计算效率替代方案，其中我们考虑从第一个元素开始的会话的每个子序列。我们的解决方案在最终排行榜中排名第四，准确率为0.5566。
2021-08-22 cs.IR cs.LG
A Fuzzy Approach for Feature Evaluation and Dimensionality Reduction to Improve the Quality of Web Usage Mining Results
P.A. College of Engineering（P.A.工程学院）；J.N.T. University（J.N.T.大学）
Web使用挖掘是将数据采掘技术应用于Web使用日志存储库，以发现可用于分析用户导航行为的使用模式。在预处理阶段，原始Web日志数据被转换成一组用户简档。每个用户简档捕获一组表示用户会话的URL。可以将聚类应用于该会话化数据，以便在用户导航模式中捕获相似的兴趣和趋势。由于会话化数据可能包含数千个用户会话，并且每个用户会话可能由数百个URL访问组成，因此通过消除低支持度URL来实现降维。非常小的会话也会被删除，以过滤掉数据中的噪声。但是直接消除低支持URL和小会话可能会导致大量信息的丢失，特别是当低支持URL和小会话的计数很大时。我们提出了一个模糊的解决方案来处理这个问题，通过分配权重的URL和用户会话的基础上的模糊隶属函数。在分配权重之后，我们应用模糊c均值聚类算法来发现用户简档的聚类。在本文中，我们描述了我们的模糊集理论的方法来执行特征选择（或降维）和会话权重分配。最后，我们比较了我们的软计算为基础的降维方法与传统的方法，直接消除小会话和低支持计数的URL。我们的研究结果表明，模糊特征评价和降维结果更好的性能和有效性指标的发现集群。
2015-09-01 cs.AI cs.DB 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
The Music Streaming Sessions Dataset
Spotify Research（Spotify研究院）
在线流媒体服务面临的许多重要机器学习问题的核心是需要对用户如何与他们所服务的内容进行交互建模。不幸的是，目前还没有公共数据集可以让研究人员探索这个主题。为了推动这项研究，我们发布了音乐流媒体会话数据集（MSSD），其中包括1.6亿个收听会话和相关的用户操作。此外，我们还为日志中提到的约370万首独特曲目提供音频功能和元数据。这是目前向公众提供的此类轨道元数据的最大集合。该数据集支持对重要问题的研究，包括如何对流媒体中的用户收听和交互行为进行建模，以及音乐信息检索（MIR）和基于会话的顺序推荐。此外，使用均匀随机的推荐设置收集会话的子集，使得它们能够用于对这种顺序推荐的反事实评估。最后，我们提供了一个用户行为的分析，并提出了进一步的研究问题，可以使用数据集解决。
2020-10-14 cs.HC cs.IR cs.LG
A Complete Year of User Retrieval Sessions in a Social Sciences Academic Search Engine
在本文中，我们提出了一个开放的数据集提取的社会科学学术搜索引擎sowiport的交易日志。该数据集包括sowiport用户在2014年4月至2015年4月期间进行的484，449次检索会话的过滤集。我们提出了一个描述的学术搜索引擎用户，可以用于不同的应用程序，如结果排名改进，用户建模，查询重构分析，搜索模式识别进行的交互。
2017-09-23 cs.DL cs.IR
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
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
