SIGIRApr, 2022

CORE：一种简单且有效的基于会话的推荐算法，其使用一致的表示空间

PDF
TL;DR提出了一种名为 CORE 的简单而有效的框架，可以统一编码和解码过程的表示空间，通过采用表征一致的编码器和鲁棒的距离测量方法，以解决在匿名会话中预测下一个项目时由于非线性编码器学习到的会话嵌入通常不在相同的表示空间中而导致的预测不一致问题，并在五个公开的真实世界数据集上进行了广泛的实验以证明该方法的有效性和效率。
session-based recommendationembeddingrepresentation-unificationdistance measuringreal-world datasets
发现论文，激发创造
  • 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

  • 基于图神经网络的上下文感知会话推荐

    CARES 是一种基于图神经网络的新型上下文感知会话推荐模型，利用不同类型的会话上下文来捕捉用户兴趣，通过构建一个多关系跨会话图来连接项目，设计个性化项目表示，以及采用标签协作策略生成软用户偏好分布作为标签，在三个基准数据集上的实验结果表明，CARES 在 P@20 和 MRR@20 方面始终优于最先进的模型。

    Oct, 2023

  • 具有分层嵌入和会话属性的虚拟会话推荐

    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

  • LLM4SBR：一种轻量且有效的用于在基于会话的推荐中整合大型语言模型的框架

    传统会话推荐 (SBR) 使用来自匿名用户的会话行为序列进行推荐。最近，大型语言模型 (LLMs) 在与推荐系统 (RS) 的集成方面取得了巨大的进展。为了解决这些问题，我们提出了面向 SBR 的 LLM 集成框架 (LLM4SBR)。通过将会话数据转化为文本和行为的二模态形式，并在不同角度使用 LLMs 的推理能力，LLM4SBR 显著提高了传统 SBR 模型的性能，适合工业部署。

    Feb, 2024

  • 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

  • 全局上下文增强的图神经网络用于会话推荐

    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

  • 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

  • 基于图弹簧网络和信息锚点选择的基于会话的推荐

    本文提出了一种基于会话推荐的 Graph Spring Network 和信息锚点选择模型（GSN-IAS），用于在物品图上学习基于 ID 的物品嵌入，并提出了一种选择信息锚点和编码物品与锚点关系的非监督学习机制。最后，将两次预测进行自适应决策融合，以做出最终推荐。

    Feb, 2022

  • 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

  • SimCGNN: 基于对比的会话推荐简单图神经网络

    该研究提出了一种基于对比学习的简单对比图神经网络用于会话推荐，通过获得标准化的会话图嵌入、正负样本的构建和新颖的负样本选择策略，优于现有方法并进行了大量实验验证。

    Feb, 2023