小白的学习路

​《A Survey on Session-based Recommender Systems》在信息过载和数字化经济时代，推荐系统（RSs）在信息消费、服务和决策方面发挥着越来越重要的作用。近年来，基于会话的推荐系统（SBRSs）作为RSs的一种新范式应运而生。与其他RSs（如基于内容的RSs和基于协作过滤的RSs）不同，SBRSs通常对长期但静态的用户偏好进行建模，SBRSs旨在捕获短期但动态的用户偏好，以提供更及时和准确的建议，并对会话的演变敏感尽管如此SBRS已被广泛应用通过研究，既没有统一

摘要基于会话的推荐旨在根据会话中消耗的先前项目序列预测下一个项目，例如，一个商业或多媒体流媒体服务。具体而言，会话数据集表现出一些独特的特性，即会话一致性和会话中项目的顺序依赖性、重复项目的消耗和会话及时性。在本文中，我们提出了一个简单而有效的线性模型，用于考虑会议的整体性。我们模型的全面性提高了基于会话的推荐的质量。更重要的是，它为反映会话数据的不同视角提供了一个通用框架。此外，由于我们的模型可以通过封闭形式的解决方案来求解，因此它们具有高度的可扩展性。实验结果表明，所提出的线性模型在多个真实数据集的

主要列一下摘要，之后和导师讨论过了再编辑这篇博客。第一篇基于会话的推荐使用用户交互会话中的现有项目来预测用户将与之交互的下一个项目。会话中的现有项目通常具有不同程度的相关性，并且该项目相关性也反映了用户的兴趣。此外，当会话以不同的结构形式表示时，项目之间会有不同类型的相关性，这一方面通常被以前的工作所忽略。在本文中，我们提出了一种新的基于会话推荐的上下文感知项目吸引模型（CIAM），该模型能够捕获项目之间不同类型的相关性，以获得用户的一般兴趣和暂时兴趣，并预测会话中的下一个项目。首先，我们将会话转换

《Enhancing session-based social recommendation through item graph embedding and contextual friendship modeling》《通过项目图形嵌入和上下文友谊建模增强基于会话的社会推荐》摘要推荐系统旨在帮助用户在网络平台上从大量的候选人中找到匹配的物品。在许多在线平台，如Yelp和Epinions，用户的行为会随着时间的推移不断被记录下来，用户也可以与他人建立联系，分享自己的兴趣。以往的推荐方法要么模拟

《Global Context Enhanced Graph Neural Networks for Session-based Recommendation》基于会话推荐的全局上下文增强图神经网络摘要:基于会话的推荐（SBR）是一项具有挑战性的任务，旨在基于匿名行为序列来推荐项目。几乎所有现有的SBR解决方案都仅基于当前会话来模拟用户的性能，而没有利用其他会话，这些会话可能包含与当前会话相关的项目转换和无关的项目转换。本文提出了一种称为“全局上下文增强图神经网络”（GCE-GNN）的新颖方法，该方

《Contextual Sequence Modeling for Recommendation with Recurrent Neural Networks》摘要推荐可以从推荐时间用户状态的良好表示中获益。最近利用递归神经网络（RNN）进行基于会话的推荐的方法表明，深度学习模型可以为推荐提供有用的用户表示。然而，当前的RNN建模方法仅通过考虑用户在过去与之交互的项的序列来总结用户状态，而不考虑其他必要类型的上下文信息，例如用户项交互的相关类型，事件之间的时间间隔和每个交互的时间间隔。为了解决这个问

《A Knowledge-Aware Attentional Reasoning Network for Recommendation》摘要：知识图谱感知推荐系统最近越来越受到业界和学术界的关注。现有的知识感知推荐方法通常通过对知识图谱中用户与项之间的路径进行推理来进行推荐，取得了较好的效果。然而，他们忽略了用户的个人点击历史序列，这更能反映用户在一段时间内的偏好。在本文中，我们提出了一种知识-感知-注意推理网络，该网络将用户的点击历史序列和用户与项目之间的路径连通性结合起来进行推荐。该算法不仅开发

今天老师要找开会，我把这个星期整理的综述发给老师了，主要按照每篇解决的问题、解决方案、模型图这三个部分写了一篇简洁的综述。1. 2020-WWW-Attentive Sequential Models of Latent Intent for Next Item Recommendation解决的问题：根据用户的意图和偏好，与其他人相比，她更可能在特定时间点对某个项目执行一种类型的交互。例如，考虑一个用户打算购买产品的情况；很自然，他们将单击、添加到购物车并最终购买的项目之间会有相似之处。因此，

在https://blog.youkuaiyun.com/m0_37483148/article/details/108627915这篇文章中整理了今年上半年一些好的序列推荐论文Future Data Helps Training- Modeling Future Contexts for Session-based Recommendation1.引言基于会话的推荐系统(SRS)是推荐领域的一个新兴课题，它的目标是根据用户会话中交互项目的有序历史记录来预测下一个项目。虽然深度神经网络[7,17,26,27

在https://blog.youkuaiyun.com/m0_37483148/article/details/108627915这篇文章中整理了今年上半年一些好的序列推荐论文Intention Modeling from Ordered and Unordered Facets for Sequential Recommendation1.引言推荐系统作为一种重要的在线服务，在电子商务领域得到了广泛的应用。由于商品信息的爆炸式增长，推荐系统可以有效地帮助消费者选择适合自己的商品要求。但是，大多数用户在.

由于老师让我整理今年的序列推荐论文，然后我就下载了这么多，包含KDD2020 SIGIR2020 WWW2020还有一些去年的但是没看的。一共是23篇，如下图所示：这么多论文我准备花时间细看一下，然后写写总结之类的内容。首先，我打算先把这些论文的摘要整理出来看看。KDD2020Jointly Learning to Recommend and Advertise （字节跳动的）摘要：Online recommendation and advertising are two major i

global embedding给每一个item分配一个权重alpha，代表每个节点对整个会话的重要程度给每一个节点分别加权和将sl和sg拼接起来和item点乘表示一个打分

这篇没有精度，就简单放一些论文中的表格吧，这篇文章可以做会话推荐的研究背景论文链接：https://dl.acm.org/doi/abs/10.1145/3298689.3347041近年来，我们可以观察到会话推荐问题。这些问题涉及到对用户长期偏好的预测问题，但仅针对正在进行的会话[19]中的交互方式提出推荐[19]，而这些场景已经针对这些结果等提出了推荐，如网络使用预测[18]，它们得到了更多的关注，例如，由于公共数据集的高可用性。它们平均会受到更多的关注，例如，由于公共数据集的可用性。.

论文地址：https://dl.acm.org/doi/abs/10.1145/3331184.3331322Sequence and Time Aware Neighborhood for Session-based Recommendations 序列和时间感知邻域的会话推荐摘要基于会话的推荐的序列感知方法的最新进展，例如基于递归神经网络的方法，强调了在推荐时利用会话的序列信息的重要性。此外，基于会话的最近邻方法(SKNN)已经被证明是基于会话的建议的强有力的基础。然而，SKNN并不考虑从会

论文地址：https://www.ijcai.org/Proceedings/2019/0547.pdfGraph Contextualized Self-Attention Network for Session-based Recommendation1.引言在电子商务、音乐、社交媒体等许多应用领域，推荐系统在帮助用户缓解信息过载和选择感兴趣内容方面发挥着重要作用。现有的大部分推荐系统都是基于用户历史的互动。但是，在许多应用程序场景中，用户标识可能是未知的，并且在正在进行的会话中只有用户

多图卷积系统过滤《Multi-Graph Convolution Collaborative Filtering》对这篇文章比较感兴趣，先读一读，再做思考！摘要个性化推荐无处不在，在许多在线服务中发挥着重要作用。实体研究致力于学习用户和项目的向量表示，目的是根据表示的相似性预测用户对项目的偏好。技术范围从经典的矩阵分解到最近的基于深度学习的方法。然而，现有的方法并没有充分利用用户-项目交互数据中的信息以及用户对和项目对之间的相似性。在这项工作中，我们开发了一个基于图卷积的推荐框架，称为多图卷积协

今天看了KDD2020的一篇序列推荐的论文《Geography-Aware Sequential Location Recommendation》，跟自己的研究不像，其他的论文还没发布，先看看这篇发布的。摘要序列位置推荐在移动预测、路径规划和基于位置的广告等应用中起着重要的作用。现有的方法虽然从张量分解发展到基于RNN的神经网络，但由于缺乏对地理信息的有效利用，存在稀疏性问题。为此，我们提出了一种基于自注意网络（GeoSAN）的地理感知顺序推荐算法。一方面，我们提出了一种新的基于重要性抽...