S-Walk：利用随机游走实现准确可扩展的基于会话的推荐
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
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
本篇论文针对会话推荐场景中的个性化推荐问题进行了研究，通过比较不同技术之间的性能，发现基于最近邻的简单技术比最近的神经技术表现更好，并且大多数情况下，考虑长期偏好信息的会话感知模型并不能优于不使用长期偏好信息的方法。
Nov, 2020
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
通过路径推理探索为基于会话的推荐（SR）提供解释能力。通过设计通用的层次强化学习框架 PR4SR，我们提出了一种改进现有 SR 模型的可解释性的方法。实验证明 PR4SR 在推荐和解释任务上的效果更好。
Feb, 2024
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
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