面向基于 Session 的推荐系统的无监督代理选择
本文旨在提出统一框架和问题陈述,以填补序列推荐系统(SRS)和基于 session 的推荐系统(SBRS)的现有不一致性,并提供数据特征,难点,现有方法,实际应用和未来研究方向的全面系统演示,以促进这个领域的进一步研究。
May, 2022
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
本文提出了一种名为 INSERT 的基于元学习的会话推荐系统,该系统利用 few-shot 学习方法,通过设计本地模块和全局模块学习短会话中用户的最佳偏好表示,并利用相似的历史会话来优化下一个项目的推荐。在两个真实世界的数据集上进行的广泛实验证明了 INSERT 在短会话中进行下一个项目推荐时优于现有 SBRS 解决方案。
Jul, 2021
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
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
该论文研究了会话时间信息对于基于会话的推荐系统的性能的潜在作用,并提出了一种不使用离散化的机制(STAR 框架),其利用会话内事件之间的时间间隔来构建更详细的表示,并在 Yoochoose 和 Diginetica 数据集上实现了 Recall 和 MRR 等指标上的最佳性能。
Nov, 2022
该研究提出了一种基于伪会话的电子商务网站推荐方法 CoHHGN+,该方法在没有用户 ID 和会话 ID 的情况下,使用异构超图和全局图网络来推荐商品,其表现优于其他方法。
Jun, 2023
本文提出了一种基于会话的推荐方法,利用重要性提取模块 SR-IEM 考虑用户的长期和最近行为,并使用修改的自我注意机制估计会话中每个项目的重要性,进而组合用户的长期喜好和当前兴趣进行物品推荐。实验结果显示,该方法在召回率和 MRR 方面优于现有技术,并具有较低的计算复杂度。
May, 2020