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

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

本文提出了简单而有效的线性模型，以考虑会话中前一项序列，以提高会话推荐的质量，并为反映不同角度的会话数据提供了一个广义框架。此外，由于我们的模型可以通过封闭形式的解决方案来解决，因此它们具有可扩展性， 实验结果表明，提出的线性模型在几个真实数据集上展示了具有竞争力或领先水平的性能。

Mar, 2021

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

本文提出了一种基于深度神经网络的列表式建模结构，用于对匿名用户的每个会话生成推荐结果，并设计了会话嵌入方法来预先训练会话表示，证明了该方法的有效性。

Jul, 2017

本文提出了一种基于 Graph Neural Network 的个性化 Session-Based Recommendation 模型，该模型通过建立 UserGraph 并运用对比损失函数和用户嵌入相似性来实现多用户之间信息交互以及提高推荐的准确性。

Jun, 2023

在会话推荐设置中，基于图神经网络（GNN）的方法在集成不同类型项目的信息方面表现出色，然而，模型评估和研究方法仍存在问题，简单模型在平均倒数排名和点击率方面优于最近的 GNN 模型，指出会话推荐领域仍有改进空间。

Dec, 2023

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

本文回顾了 session-based recommender systems 的现有研究，总结了数据特征和挑战，并提出了新的研究机会。

Feb, 2019