Jul, 2021

短会话中的下一项推荐

PDF
TL;DR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。
session-based recommender systemsfew-shot learningnext-item recommendationshort sessionsinsert
发现论文，激发创造
  • 基于会话的推荐系统综述

    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

  • 序列 / 会话推荐：挑战、方法、应用和机遇

    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

  • 从用户 - 会话 - 项目的分层结构中学习相似度，用于个性化会话推荐

    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

  • STAR：面向会话的时序推荐系统

    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

  • 对话式推荐的对比多级图神经网络

    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

  • 基于超图注意力网络的会话推荐

    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

  • 基于图神经网络的会话推荐

    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

  • 面向会话的推荐系统的跨会话建模

    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

  • 面向基于 Session 的推荐系统的无监督代理选择

    本文介绍了一种名为 ProxySR 的新框架，该框架通过模拟会话的代理信息来克服 SRS 的局限性，同时实现了对短期兴趣和用户的潜在兴趣的有效建模。

    Jul, 2021

  • 基于图神经网络的跨会话信息利用

    本文提出了一种基于图神经网络 (Full Graph Neural Network, FGNN) 以及广联跨时加工 (Broadly Connected Session, BCS) 的新型会话 (session) 推荐算法，旨在更好地捕捉复杂的物品依赖关系和跨时信息。在 Yoochoose 和 Diginetica 等两个电子商务基准数据集上广泛测试，实验结果表明，与现有会话推荐模型相比，该算法具有优异的性能。

    Jul, 2021