本研究提出三种利用用户交互记录中的会话信息来改进推荐系统性能的方法，并应用于基于 BERT 的顺序推荐模型，既可以在保证模型整体简洁性的同时，提升推荐结果。
Apr, 2022
本文提出了一种新的基于会话图的推荐模型，该模型通过构建会话图，并协同考虑序列顺序和会话图的潜在顺序，将下一个项目推荐问题建立为图分类问题，并利用加权注意图层和读取函数对项目和会话进行嵌入学习。该模型在两个基准电子商务数据集，Yoochoose 和 Diginetica 上表现出比其他最先进方法更好的性能。
Nov, 2019
研究了如何在短时间内从用户的行为进行推荐，提出了一种新型的神经网络框架 NARM，通过注意力机制解决了仅利用当前会话中用户的顺序行为进行推荐的问题，同时结合用户当前会话中的主要目的，成功地提高了推荐算法的准确率和效率。
Nov, 2017
本文提出了一种扩展 RNN 推荐系统的方法，通过使用第二个 RNN 学习用户最近的会话并预测当前会话中的用户兴趣，以改善在 Seesion 开始时提供的推荐，实验证明该方法可以显著提高推荐性能。
Jun, 2017
对于基于会话的推荐，简单的基于最近邻的方法往往表现出与复杂的基于深度神经网络的方法相当或显著更好的性能。需要更多关于基于会话的推荐算法的改进。
Mar, 2018
本篇论文针对会话推荐场景中的个性化推荐问题进行了研究，通过比较不同技术之间的性能，发现基于最近邻的简单技术比最近的神经技术表现更好，并且大多数情况下，考虑长期偏好信息的会话感知模型并不能优于不使用长期偏好信息的方法。
Nov, 2020
本论文提出了一种新的基于超图注意力网络的会话推荐系统，它通过构建每个会话的超图、使用超图注意力层来生成项目嵌入，并聚合每个会话的动态项目表示，从而推断下一个感兴趣的项目。实验结果表明，与最先进技术相比，所提出的模型能够有效生成信息丰富的动态项目嵌入，并提供更准确的推荐。
Dec, 2021
本文研究在基于会话的推荐系统中，如何通过跨会话信息传递的层次循环神经网络模型，实现对用户兴趣的个性化推荐，数据实验表明该方法优于单纯使用基于会话的神经网络推荐方法。
本文提出了一种利用多样化的注意力网络分析会话间关系，考虑用户信息生成会话表示和用户表示，从而实现改进推荐系统的效果的模型，并在多个真实数据集上取得了优异的性能。
May, 2022
本文通过比较十二种算法，探讨了基于会话的推荐领域的最新进展和神经网络方法的现状，发现在大多数情况下，基于最近邻算法的简单启发式方法更优，而且经过用户研究表明这些推荐方法得到了用户的认可。
Oct, 2019