一、文章信息
| 文章信息 | |
|---|---|
| 文章标题 | A Survey on Session-based Recommender Systems |
| 发表会议 | ACM Computing Surveys（CSUR，SCI 1区顶会） |
| 发表时间 | 2019.2 |
这篇文章系统地概述了基于会话的推荐，以及相应的技术：SBRS。
二、阅读笔记
2.1 什么是会话推荐
会话推荐，会话指一段时间内用户和项目的交互行为，例如最近浏览的商品、最近听的音乐。在会话推荐中与传统的推荐系统不同的是，它考虑了一个会话到另一个对话的向量贡献度。SBR的优化目标是最大限度地减少由于忽略或破坏会话结构而造成的信息损失。
SBRS会话推荐系统：根据会话内部或会话之间嵌入的复杂关系建模，预测会话或未来会话的未知部分。能够保持会话数据的会话结构，并最大程度地避免本地信息丢失，因此更关注会话数据的动态和局部方面，从而提供更可靠的建议。
SBRS假设用户下一次的交互会受到历史行为的影响，着重考虑上下文。好处是考虑到用户自身的偏好，缺点就是忽略用户的长期偏好。
2.2会话推荐研究现状
2.2.1按推荐内容分类
（a）下一个项推荐主要对会话内的依赖关系建模，来推荐会话中的下一个或多个项目。下一项建议是基于会话的推荐的主流和最常见的设置。最近，下一个项目的推荐引起了很大的注意，并取得了许多进展。
（b）下一个篮推荐主要对会话间依赖关系建模（有时也包括会话内依赖关系）来推荐下一个会话中可能出现的项目。与下一个项目的建议相比，下一篮子建议受到的关注较少，在这种情况下取得了一些进展。
（c） 下一个事件/动作推荐对会话内或会话间的依赖关系模拟，或同时模拟两者，来推荐下一个事件或动作（例如，看电影或听歌曲）。这些是基于会话的推荐的另一个重要例子，通常构建在没有自然会话结构（如电影或POI数据）的数据集上。许多研究者已经注意到下一个事件/动作推荐的不同应用，包括下一首歌曲推荐、下一部电影推荐和下一个POI推荐，并且已经取得了许多进展。
2.2.2 按技术模型分类
分为无模型/有模型。
（一）、无模型推荐系统。采用数据挖掘技术，与概率相关。
（a）基于规则的推荐系统：无序数据。采用关联规则挖掘，apriori算法/啤酒尿布。
（b）基于时序的推荐系统：有序数据。先挖掘已有序列的集合，再预测剩下的项目。
（二）、有模型推荐系统
分为基于马尔可夫链的方法、基于因子分解的方法和基于神经模型的方法。
（a）基于马尔科夫链的推荐系统
采用马尔可夫链对会话中的项目进行转换建模，原理是会话中已有的先前项目下，预测可能的下一个项目。
（b）基于因子分解机（FM）的推荐系统
只捕获项目上的序列模式，而忽略了用户的个人偏好。
（c）基于神经网络的推荐系统
细分为浅层神经网络和深度神经网络
对于浅层神经网络，原理为会话映射到潜在空间。把项目映射到多维潜在空间后，各项目在空间中的位置反映了它们之间的关系。例如，距离较短的项目具有更高的相似性，更强的相关性。为此，每个项目的潜在向量表示包含比原始项目更丰富的信息。
对于深度神经网络
①基于RNN的模型
因为大多数会话数据都假设是顺序依赖的，它在建模顺序依赖性方面具有固有的优势。
本文介绍了GRU4Rec模型：第一层对items进行embedding；再经过若干层GRU门控单元层将序列化的item-embedding输入GRU，每一"时序帧"的输出是一个向量；最后通过一个前馈层，转化为对下一个时序用户选择所有item的预测评分。
②基于DNN的模型
在会话中没有严格的项目顺序时使用DNN。DNN指的是由多层感知器（MLP）组成的朴素的深层神经网络结构。
③基于CNN的模型
优点：改进了RNN要求的有序数据，使模型更加健壮；第二点是它可以学习局部特征、还要不同区域之间关系，它可以有效地捕获一些其他模型忽略的联合级集体依赖。
2.3 会话推荐未来进展
①加入用户喜好因素
只关注短期历史未必可靠。可以采用矩阵分解（MF）等传统方法预测用户对所有候选项的偏好，然后利用预测的偏好数据作为约束条件来调整SBRS中的候选排序和选择
②加入更多场景/上下文影响因素
上下文因素指可能影响用户选择的不同上下文相关方面，例如天气、季节、位置、时间和最近的流行趋势。
③考虑噪声影响
用户行为可能随机挑选项目，导致与所选项目和下一个选择无关。在这种情况下若采用时序模型例如RNN、马尔科夫链，推荐结果可能很容易被这些噪声误导。现有的是Attention机制和池化机制用于预测中，但任有限。
④会话间的推荐系统
用户的决策可能受其他会话的影响。比如前段时间用户买了手机，过段时间可能会买手机壳、配件。
三、下周计划
读社交推荐的综述，老师说这个方向比较火。最好是有GNN吧！
1842
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
