2021最新基于会话推荐系统长文综述

嘿，记得给“机器学习与推荐算法”添加星标

---

| 作者：Shoujin Wang

| 单位：麦考瑞大学博后

| 研究方向：数据挖掘，机器学习以及推荐系统

一. 论文简介

本文给大家介绍一篇刚被ACM旗舰期刊 ACM  Computing Surveys (CSUR) 接收的基于会话推荐系统 (Session-based Recommender Systems (SBRS)) 的综述长文。ACM Computing Surveys 是计算机学科最具影响力的期刊之一，其最新影响因子为7.99，为CORE Rank A* 期刊，主要发表计算机科学领域较有代表性的综述论文。

文章题为A Survey on Session-based Recommender Systems。这篇文章是基于会话的推荐系统方向的一篇较为系统全面的综述文章。全文共39页，包含11个ps，4幅插图，11张表格和163篇该领域内有代表性的参考文献。该文基于作者长期的积累和思考，对基于会话推荐系统这一推荐系统子领域进行了全面而深入的梳理和总结。该文对目前文献中存在的各种各样的对问题的定义进行了统一的形式化，系统地定义了基于会话推荐系统的场景，任务和基本问题以及基本方法。

作者从数据特征的角度出发，系统分析了session数据所特有的基本特征，以及他们给推荐任务带来的挑战。然后系统而全面地对这一领域当前的进展进行了归纳总结，包括对方法的分类和比较，对每类方法基本思想和特征的阐述。梳理和总结了基于会话推荐系统的主要应用场景，代表性算法和公开的数据集，并提供了开源链接。最后分享了本领域的未来可能的研究方向。该文由浅入深，语言力求通俗易懂，举例丰富，既有深入的理论分析，又有应用，算法和数据集，既适合科研工作者阅读，也适合工程人员阅读。作者希望该文能给相关的研究人员提供一个对该领域研究的主要问题以及涉及的各个方面，主要挑战和进展一个全面而综合的了解，同时给未来的研究提供一些启发。

论文预印版链接：

https://www.researchgate.net/profile/Shoujin-Wang/research

https://arxiv.org/abs/1902.04864

相关综述文章：

[1] Shoujin Wang, Liang Hu, Yan Wang, Xiangnan He, Quan Z. Sheng, Mehmet A. Orgun, Longbing Cao, Francesco Ricci, Philip S. Yu. Graph Learning based Recommender Systems: A Review. In Proceedings of the 30th International Joint Conference on Artificial   Intelligence (IJCAI 2021 Survey Track), 1-9, 2021.  Preprint version: https://www.researchgate.net/profile/Shoujin-Wang

[2] Shoujin Wang, Liang Hu, Yan Wang, Longbing Cao, Quan Z. Sheng, Mehmet A. Orgun. Sequential Recommender Systems: Challenges, Progress and Prospects. In Proceedings of the 28th International Joint Conference on Artificial   Intelligence (IJCAI 2019 Survey Track), 6332-6338, 2019. Preprint version: https://www.researchgate.net/profile/Shoujin-Wang

[3] Honglei Zhang et al. Must-read Papers on Recommender System.  

https://github.com/hongleizhang/RSPapers

公众号后台回复【综述】获取28篇推荐系统综述合集

二. 论文简要介绍

0. 摘要

在当今的信息过载和数字经济时代，推荐系统在消费，服务和决策制定等方面正发挥着日益重要的作用。近些年来，基于会话的推荐系统(session-based recommender systems (SBRSs)) ，作为推荐系统的一种新的范式，正在兴起。不同于其他传统的推荐系统，如基于内容的推荐系统和协同过滤推荐系统，通常建模用户的长期和静态的偏好，基于会话的推荐系统旨在捕获用户短期和动态的偏好来给用户提供更实时和精准的推荐服务。这些推荐服务能对用户不断发展和变化的会话上下文场景具有较好的敏感性。

尽管基于会话的推荐系统已经被广泛研究，目前既没有对基于会话的推荐系统的一个统一的问题定义和陈述，也没有对基于会话的推荐系统的特征和挑战的一个深入阐述。通常，人们并不太清楚基于会话的推荐系统的挑战被解决到什么程度了，以及这一领域的总体研究概况是什么样的。这篇全面综述通过深入探索和讨论基于会话的推荐系统所涉及的主