该论文提出了一种名为 SR-GNN 的新型方法，基于图神经网络来对会话进行建模，并使用注意力网络将每个会话表示为全局偏好和当前兴趣的组合，从而提高了会话推荐的准确率。

Nov, 2018

研究了基于 Session 的推荐算法，并提出一种名为 G3SR 的新方法，在两个真实世界的基准数据集上进行了广泛的实验，表明改进后的方法在冷启动情况下比现有的最先进方法取得了显著的并且一致的改进效果。

Mar, 2022

本文提出了一种新的方法，称为全局上下文增强图神经网络 (GCE-GNN)，利用全局图和会话图中的项目转换更精细地推断用户偏好，从而改善了会话推荐，此方法在三个基准数据集上都表现出优异的性能。

Jun, 2021

该研究提出了一种新的对话式推荐框架 SR-GCL，该框架基于对话图模型，采用对比学习和全局上下文增强数据增强方法来提升推荐性能，并在两个真实的电子商务数据集上进行了广泛的实验，表明相较于其他最先进的方法，SR-GCL 具有卓越的性能。

Sep, 2022

本研究提出了一种名为个性化图神经网络和注意力机制的新方法，以解决现有基于过去历史数据进行推荐的方法无法有效捕捉项目转移关系和历史会话对当前会话影响的问题，并通过实验验证说明该方法优于现有的方法。

Oct, 2019

本文提出了一种新颖的对比多层图神经网络方法（CM-GNN）来更好地利用复杂和高阶的物品转换信息，并通过对比学习范式最大化来将高阶物品转换信息转化为基于成对关系的会话表示。实验证明，所提出的方法优于现有的会话推荐技术。

Nov, 2023

本文提出了一种新的基于评论信息的图神经网络方法 (RI-GNN)，用于改善 SBRs 中的物品之间的依赖关系，从而提高基于会话的推荐性能。实验证明，RI-GNN 优于目前已有的 SOTA 方法。

Jan, 2022

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

本研究提出了一种新颖的目标关注图神经网络（TAGNN）模型，以用于会话推荐。TAGNN 通过考虑用户的不同兴趣点并学习每个目标项的相关性来提高表达能力。此外，TAGNN 利用图神经网络的能力来捕获会话中的丰富过渡，通过真实世界数据集的广泛实验，证明其优于现有方法。

May, 2020

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