美团论文

一：zehao

1. GATNE-T/I

2. HetGNN

3. JSCN: Joint Spectral Convolutional Network for Cross Domain Recommendation

二：zhangweijia（基于session的推荐）

背景

• session行为指用户在当次打开APP后产生的行为，能够很好的反映出用户的即时需求，并且与画像属性、历史行为等存在严重数据缺失的特征相比，session行为数据基本能够全覆盖。如何充分利用这样一个有质又有量的数据，对于新用户推荐是一个重要问题；

• 当前精排模型对于session内行为数据无特殊处理，糅合在用户全量历史行为中，具体使用方式是以时间间隔作为权重对历史行为item进行加权pooling。由于时间分段点为人工设定，这种方式并不能很好的区分session内外的行为，并且基于pooling的方法难以表征用户session内的兴趣变化。

• 基于session行为的推荐是近几年业界研究热点之一，早期以RNN、Transformer等序列模型为主，近期则在Graph模型上取得了SOTA的效果。

业界调研

2.1 [RNN] GRU4REC: Session-based recommendations with recurrent neural networks. ICLR 2016

• 最早提出会话推荐的研究之一；

• 利用GRU对用户在当前session内交互的item序列进行编码，得出的session emb与target item emb计算内积作为预测值，使用BPR-loss进行训练。

   

2.2 [Transformer] Transformers4Rec: Bridging the Gap between NLP and Sequential/Session-Based Recommendation. RECSYS 2021, NVIDIA

• session推荐的核心在于如何建模session内行为序列，与NLP任务中需要处理word序列的设定很相似；

• NVIDIA在此文中类比了NLP和序列推荐方法的演进，从Word2vec到Transformer，两个领域中都有想对应的实现与应用，而NLP领域有较成熟的HuggingFace Transformer库，因此自然认为推荐领域同样需要类似的Transformer库

• 实现并开源了python库Transformers4Rec，底层集成HuggingFace Transformers，提供多种Transformer可供使用；

• NVIDIA的团队使用该库获得了WSDM WebTour Workshop Challenge 2021和SIGIR eCommerce Workshop Data Challenge 2021的冠军。

2.3 [GNN] Session-Based Recommendation with Graph Neural Networks. AAAI 2019

• 认为序列模型（RNN）每次只处理session内的行为，而这部分行为数量通常不是特别充足，因此通过图的形式来利用多个session的信息，提出了SR-GNN；

• 构图：节点v为item，边<v1, v2>表示用户点击v1后又点击了v2；

• 图模型：使用Gated GNN聚合出每个item的向量； 

• session向量：认为session中最后点击的item的具有特殊意义，session内其他item与其计算attention系数，将session内点击过的item序列聚合成session的向量；

• 预测：session向量与target item向量计算内积

2.4 [GNN] Heterogeneous global graph neural networks for personalized session-based recommendation. WSDM 2022, JD

• 认为现有的session推荐方法局限于利用session内的行为，导致有相似session行为的用户会得到相似的推荐结果，因此本文中加入了用户的历史行为来提高个性化；

• 在SR-GNN的基础上增加user节点以及U-I交互边，起到如下作用：

  • 学习出user向量作为用户的长期兴趣；

  • 增加U->I的metapath来辅助item向量的学习；

  • user向量以attention的形式影响session内item的向量聚合。