本文针对新闻推荐系统中由于用户画像稀疏、物品增长迅速、物品价值衰减加速以及用户偏好动态转移等情况所带来的挑战，提出了一种基于深度学习技术的元架构 CHAMELEON，用于新闻推荐系统中基于会话的推荐，并提供了一种基于时间的离线评估方法，实验表明该方法相对于最佳基准方法在评估指标 Hit Rate 和 MRR 上有着显著的提升。

Jul, 2018

本文探讨了基于内容信息的混合神经新闻推荐系统在个性化推荐中的重要性，并对其中的技术 —— 内容感知技术和内容不可知技术进行了对比和分析。最后通过对两个公开数据集的实验验证了采用混合方法的重要性，同时也证明了内容编码的选择对推荐性能有影响。

Jul, 2019

本文介绍了一种基于混合元架构的会话式新闻推荐模型 —— 变色龙。该模型利用循环神经网络来整合多种信息类型，并采用了一种模拟新闻门户网站的动态评估策略。实验结果表明，与其他基于会话的推荐算法相比，采用循环神经网络模型和利用用户和文章的辅助信息可以显著提高推荐准确性和目录覆盖率。

Jun, 2020

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。

Jun, 2017

我们提出了一种基于循环神经网络 (RNN) 的会话推荐方法，考虑到实际问题和数据缺乏的情况，并引入了一些修改，如排序损失函数。实验结果表明，与广泛使用的方法相比，我们的方法在两个数据集上都有明显的改进。

Nov, 2015

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

我们提出了一种新的上下文递归神经网络，可以在输入和输出层中考虑相关信息，将上下文嵌入与项目嵌入相结合，并在模型动态性中将隐藏单元转换参数化为上下文信息的函数，从而在下一事件预测任务上显示出良好的提高效果。

Jun, 2017

本研究探讨使用循环神经网络 (RNNs) 进行基于会话的推荐任务，并提出了数据增强和考虑输入数据分布变化的方法，同时通过实验证明使用通用蒸馏和直接预测项目嵌入的新模型相对于传统模型在 RecSys Challenge 2015 数据集上分别在 Recall@20 和 Mean Reciprocal Rank@20 指标上改进了 12.8% 和 14.8%。

Jun, 2016

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

该文介绍了一种名为 NHR 的神经混合推荐框架，可用于商品预测问题。该框架利用神经网络从同一和不同的数据源中提取更详细的信息，以及在同样的问题上使用不同的损失函数达到评级预测问题，测试结果在真实世界数据集中显示了优异的性能。

Sep, 2019