May, 2022

序列 / 会话推荐：挑战、方法、应用和机遇

PDF
TL;DR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。
sequential recommender systemssession-based recommender systemsshort-term preferencesunified frameworkreal-world applications
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

  • 序列推荐系统：挑战、进展和前景

    本论文对顺序推荐系统进行了系统综述并总结了该领域的关键挑战，最近和典型发展以及未来的重要研究方向。

    Dec, 2019

  • 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

  • 短会话中的下一项推荐

    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

  • 基于会话的推荐算法评估

    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

  • 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

  • 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

  • 对话式推荐系统的进展与挑战：综述

    本文系统地回顾了当前对话式推荐系统（CRSs）的技术，总结了 CRSs 开发中的 5 个关键方向：基于问题的用户偏好获取、多轮对话推荐策略、对话理解和生成、开发利用折中和探索等方法的算法、以及 CRSs 的评估和用户模拟问题，并根据这些研究方向讨论了一些未来的挑战和机遇。

    Jan, 2021

  • 多模态推荐系统：一份综述

    本文是关于多模态推荐系统的技术视角的综述，主要介绍了多模态推荐系统的一般过程、挑战、三类现有模型，以及数据集和代码资源的总结，同时讨论了未来的发展方向。

    Feb, 2023

  • 一种简单而有效的多样化会话推荐方法

    我们提出了一种插件设计，将多样性引入现有的 SBRS，以提高推荐列表的多样性并保持推荐准确性。这一设计包括一个面向多样性的模型不可知型损失函数和一个无侵入的类别感知注意机制。通过实验验证，相较于当前最先进的准确性导向型 SBRS，我们的设计显著提升了推荐多样性和综合性能而几乎不降低推荐准确性。

    Mar, 2024