Context / Sequential / Session RS的区别

作者 | 尹瑞平
来源 | 知乎
链接 | https://zhuanlan.zhihu.com/p/124324598编辑 | 机器学习与推荐算法

前言

最近突然发现之前在很多场景下把Session-based Recommendation和Sequencial Recommendation这两个名词不加区分的混用，可能会造成一些误解。所以翻阅了一些文献当中的说法来给这几个领域做一个区分，权当抛砖引玉，错误之处欢迎指正。

Context-aware Recommendation

先举几个Context-aware Recommendation 的例子（均来自于 Adomavicius2015）：

1. 当为用户推荐歌曲的时候，一些交互式的系统会让用户选择目前的心情，例如：积极、平静、黑暗等。用户选择的情绪就会被作为Contextual information来为用户推荐出符合目前心情的歌曲。

2. Netflix会利用用户当前所处的城市或区域来提供Context-specific的电影推荐。同样的，一些基于移动设备的推荐系统更能有效地根据GPS信息来提供合适的推荐。

根据作者在这一章中的描述，Contextual information 可以被定义为：

所以这可以被看作是一个从 feature 的角度，在传统的推荐系统中增加出来了一个 context 维度，最重要的还是其中包含的具体的信息。

Sequencial Recommendation

根据网上的某些说法，Sequencial recommendation 还可以被叫做 Next-item/Basket recommendation。这个领域的开山文章应该是Rendle的 FPMC（Rendle2010），文章开头就给出了一个相对准确的定义：

In this paper, we deal with the problem setting where sequential basket data is given per user。

由此可以看出来，Sequence指的是每个用户算作一个序列，本质上还是一个 Top-N 的推荐，只不过建模方式用到了序列模型。另外在后面的 Caser 里面也引用了这个概念（Tang2018）。

Session-based Recommendation

个人粗浅的理解，Session-based recommendation 起始于Hidasi 2015，也就是大名鼎鼎的GRU4Rec，这个模型之后出现了大量的GRU4Rec改进版。至于为啥我觉得这篇文章是Session-based recommendation的鼻祖呢？因为这篇文章里面的baselines里最STOA 的方法是BPR-MF，没有任何Sequencial recommendation相关的方法，这也是为什么会有这篇专栏的原因，因为曾经我以为这两者属于同一个领域，但显然应该不是，否则不应该不引用先前的工作。

Session-based RS与Sequencial RS主要区别有两点：

1. Session 是一个比前面所说的 sequence 更小的粒度，并且在这样小的粒度下允许匿名的Session出现（其中最可能有效的是能够通过Session来把 delay的时间作为purpose drift的一个重要依据，貌似没有文章中提到这个）。其实这里我觉得我们还可以分的更细，也就是如果把Session改成Token会怎么样，当然，这样做有没有意义就仁者见仁了。

2. 问题的定义和评价方式上也有不同，对于Sequencial recommendation 来说，训练集里包括了这个用户所购买过的部分物品，而验证集与训练集里面的物品属于同一个序列。而在Session-based方法中，它们属于不同的序列。这一点不同导致了这两类方法从本质上的区别。

Temporal Recommendation

Tang2018 这篇文章里提到：not the absolute timestamp as in temporal recommendation like。所以在这里我加上了Sequencial recommendation 与Temporal recommendation 的区别。

我目前的理解是，Temporal recommendation里的时间是一个绝对的概念，时间就是指的timestamp。对于Sequencial recommendation 里面关心的是相对的时间，也就是事件发生的顺序。

References

1. Adomavicius, G., Tuzhilin, A., 2015. Context-aware recommender systems. In: Recommender Systems Handbook, Second Edition.

2. Hidasi, B., Karatzoglou, A., Baltrunas, L., Tikk, D., 2015. Session-based Recommendations with Recurrent Neural Networks. Int. Conf. Learn. Represent. 1–9.

3. Rendle, S., Freudenthaler, C., Schmidt-Thieme, L., 2010. Factorizing personalized Markov chains for next-basket recommendation. In: Proceedings of the 19th International Conference on World Wide Web, WWW ’10.

4. Tang, J., Wang, K., 2018. Personalized top-N sequential recommendation via convolutional sequence embedding. WSDM 2018 - Proc. 11th ACM Int. Conf. Web Search Data Min. 2018-Febua, 565–573.