ACM Computing Surveys 2021：基于会话推荐系统的最新长文综述
?作者｜Shoujin Wang
單位｜麥考瑞大學(xué)博后
研究方向｜機(jī)器學(xué)習(xí)、推薦系統(tǒng)
編者按：基于會(huì)話的推薦系統(tǒng), 作為一種新興的推薦系統(tǒng)范式，正方興未艾，大量的新技術(shù)和新方法層出不窮。這篇綜述給讀者在關(guān)于這個(gè)領(lǐng)域的主要問題，關(guān)鍵挑戰(zhàn)，最新進(jìn)展以及主要方法和應(yīng)用等方面提供了一個(gè)綜合而全面的認(rèn)知。
論文簡(jiǎn)介
本文給大家介紹一篇?jiǎng)偙?ACM 旗艦期刊 ACM ?Computing Surveys（CSUR）接收的基于會(huì)話推薦系統(tǒng)（Session-based Recommender Systems (SBRS)）的綜述長(zhǎng)文。ACM Computing Surveys 是計(jì)算機(jī)學(xué)科最具影響力的期刊之一，其最新影響因子為 7.99，為中科院認(rèn)定的一區(qū) Top 期刊，CORE Rank A* 期刊，主要發(fā)表計(jì)算機(jī)科學(xué)領(lǐng)域較有代表性的綜述論文。
文章題為 A Survey on Session-based Recommender Systems。這篇文章是基于會(huì)話的推薦系統(tǒng)方向的一篇較為系統(tǒng)全面的綜述文章。全文共 39 頁(yè)，包含 11 個(gè) ps，4 幅插圖，11 張表格和 163 篇該領(lǐng)域內(nèi)有代表性的參考文獻(xiàn)。
該文基于作者長(zhǎng)期的積累和思考，對(duì)基于會(huì)話推薦系統(tǒng)這一推薦系統(tǒng)子領(lǐng)域進(jìn)行了全面而深入的梳理和總結(jié)。該文對(duì)目前文獻(xiàn)中存在的各種各樣的對(duì)問題的定義進(jìn)行了統(tǒng)一的形式化，系統(tǒng)地定義了基于會(huì)話推薦系統(tǒng)的場(chǎng)景，任務(wù)和基本問題以及基本方法。
作者從數(shù)據(jù)特征的角度出發(fā)，系統(tǒng)分析了 session 數(shù)據(jù)所特有的基本特征，以及他們給推薦任務(wù)帶來(lái)的挑戰(zhàn)。然后系統(tǒng)而全面地對(duì)這一領(lǐng)域當(dāng)前的進(jìn)展進(jìn)行了歸納總結(jié)，包括對(duì)方法的分類和比較，對(duì)每類方法基本思想和特征的闡述。梳理和總結(jié)了基于會(huì)話推薦系統(tǒng)的主要應(yīng)用場(chǎng)景，代表性算法和公開的數(shù)據(jù)集，并提供了開源鏈接。最后分享了本領(lǐng)域的未來(lái)可能的研究方向。
該文由淺入深，語(yǔ)言力求通俗易懂，舉例豐富，既有深入的理論分析，又有應(yīng)用，算法和數(shù)據(jù)集，既適合科研工作者閱讀，也適合工程人員閱讀。作者希望該文能給相關(guān)的研究人員提供一個(gè)對(duì)該領(lǐng)域研究的主要問題以及涉及的各個(gè)方面，主要挑戰(zhàn)和進(jìn)展一個(gè)全面而綜合的了解，同時(shí)給未來(lái)的研究提供一些啟發(fā)。
推薦閱讀原文，論文預(yù)印版鏈接：
https://www.researchgate.net/profile/Shoujin-Wang/research
https://arxiv.org/abs/1902.04864
相關(guān)綜述文章：
[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
論文的簡(jiǎn)短翻譯
摘要
在當(dāng)今的信息過(guò)載和數(shù)字經(jīng)濟(jì)時(shí)代，推薦系統(tǒng)在消費(fèi)，服務(wù)和決策制定等方面正發(fā)揮著日益重要的作用。近些年來(lái)，基于會(huì)話的推薦系統(tǒng)（session-based recommender systems（SBRSs)），作為推薦系統(tǒng)的一種新的范式，正在興起。不同于其他傳統(tǒng)的推薦系統(tǒng)，如基于內(nèi)容的推薦系統(tǒng)和協(xié)同過(guò)濾推薦系統(tǒng)，通常建模用戶的長(zhǎng)期和靜態(tài)的偏好，基于會(huì)話的推薦系統(tǒng)旨在捕獲用戶短期和動(dòng)態(tài)的偏好來(lái)給用戶提供更實(shí)時(shí)和精準(zhǔn)的推薦服務(wù)。
這些推薦服務(wù)能對(duì)用戶不斷發(fā)展和變化的會(huì)話上下文場(chǎng)景具有較好的敏感性。盡管基于會(huì)話的推薦系統(tǒng)已經(jīng)被廣泛研究，目前既沒有對(duì)基于會(huì)話的推薦系統(tǒng)的一個(gè)統(tǒng)一的問題定義和陳述，也沒有對(duì)基于會(huì)話的推薦系統(tǒng)的特征和挑戰(zhàn)的一個(gè)深入闡述。通常，人們并不太清楚基于會(huì)話的推薦系統(tǒng)的挑戰(zhàn)被解決到什么程度了，以及這一領(lǐng)域的總體研究概況是什么樣的。
這篇全面綜述通過(guò)深入探索和討論基于會(huì)話的推薦系統(tǒng)所涉及的主體（比如會(huì)話）, 行為（比如用戶對(duì)物品的點(diǎn)擊）, 以及他們的特性（比如會(huì)話的長(zhǎng)度）來(lái)解決上述問題。我們提出了一個(gè)通用的基于會(huì)話的推薦系統(tǒng)的問題陳述，概括和總結(jié)了這一領(lǐng)域多樣化的數(shù)據(jù)特征和挑戰(zhàn)，并且定義了一個(gè)分類方法來(lái)對(duì)該領(lǐng)域內(nèi)代表性的研究進(jìn)行分類。我們討論了基于會(huì)話的推薦系統(tǒng)在現(xiàn)實(shí)場(chǎng)景中的主要應(yīng)用領(lǐng)域，整理了典型的算法和常用的數(shù)據(jù)集。最后我們討論了在這個(gè)充滿活力的研究領(lǐng)域內(nèi)的新的研究機(jī)會(huì)。
2.1 引言
推薦系統(tǒng)已經(jīng)發(fā)展成為人們進(jìn)行快速有效選擇和決策的一個(gè)基本工具。它已經(jīng)滲透到我們?nèi)粘Ｉ畹姆椒矫婷?#xff0c;包括生活，工作，學(xué)習(xí)，娛樂，社交和商業(yè)運(yùn)營(yíng)。推薦系統(tǒng)的作用在數(shù)字經(jīng)濟(jì)中和信息日益過(guò)載的時(shí)代顯得尤為重要，因?yàn)橛脩敉ǔＰ枰獜拇罅康暮涂焖僭鲩L(zhǎng)的內(nèi)容、產(chǎn)品和服務(wù)（統(tǒng)稱為物品 (item)）中選擇他們所需要的。因此，各種各樣的推薦系統(tǒng)研究領(lǐng)域興起了并取得了成功，比如基于內(nèi)容的推薦系統(tǒng)，協(xié)同過(guò)濾推薦系統(tǒng)和混合型推薦系統(tǒng)。
然而，這些推薦系統(tǒng)傾向于利用所有的用戶與物品之間的交互信息來(lái)學(xué)習(xí)每個(gè)用戶對(duì)物品的長(zhǎng)期和靜態(tài)的偏好。這種做法通常是建立在一個(gè)隱含的假設(shè)之上的，那就是一個(gè)用戶的所有的歷史交互行為對(duì)他當(dāng)前的偏好是同等重要的。
這可能與現(xiàn)實(shí)不相符合，主要原因有兩點(diǎn)：首先，一個(gè)用戶對(duì)物品的選擇不僅依賴于他長(zhǎng)期以來(lái)形成的偏好，而且依賴于他短期的最近的偏好和跟時(shí)間相關(guān)的上下文場(chǎng)景（比如他最近瀏覽或者購(gòu)買過(guò)的物品）。這種短期偏好通常隱含在用戶的最近發(fā)生的與物品的交互行為之中，而這類最近的交互行為通常僅占用戶所有交互行為的很小一部分。其次，一個(gè)用戶對(duì)物品的偏好通常是動(dòng)態(tài)變化而非靜止的，它會(huì)隨著時(shí)間的推移而演變。
近些年來(lái)，為了彌補(bǔ)上述不足，基于會(huì)話的推薦系統(tǒng)（session-based recommender systems (SBRSs)）悄然興起，并引起了越來(lái)越多的關(guān)注。不同于上述推薦系統(tǒng)，基于會(huì)話的推薦系統(tǒng)從用戶在交易過(guò)程中產(chǎn)生的會(huì)話（session）數(shù)據(jù)來(lái)挖掘和學(xué)習(xí)用戶的偏好。
每一個(gè)會(huì)話包含在一段連續(xù)的時(shí)間段內(nèi)發(fā)生的多個(gè)“用戶——物品交互行為”，比如某用戶在一次交易會(huì)話（比如從登錄電商平臺(tái)的賬號(hào)到退出賬號(hào)這段時(shí)間）中購(gòu)買了一籃子物品。通過(guò)將每一個(gè)會(huì)話作為最基本的輸入數(shù)據(jù)單元，一個(gè)基于會(huì)話的推薦系統(tǒng)能夠從一個(gè)用戶的最近產(chǎn)生的會(huì)話中捕獲他的短期偏好，以及從一個(gè)會(huì)話到另一個(gè)會(huì)話之間的偏好的變化，從而進(jìn)行更精準(zhǔn)和實(shí)時(shí)的推薦。
在本文中，我們用基于會(huì)話的推薦系統(tǒng)來(lái)指代那些所有以 session 數(shù)據(jù)為中心來(lái)推薦當(dāng)前會(huì)話里的下一個(gè)物品，接下來(lái)的所有物品以及下一個(gè)會(huì)話里的所有物品的推薦系統(tǒng)。這個(gè)定義包括了有些文獻(xiàn)中的一些狹義的基于會(huì)話的推薦系統(tǒng)，它們只推薦當(dāng)前會(huì)話里的下一個(gè)物品。
對(duì)于基于會(huì)話的推薦系統(tǒng)，文獻(xiàn)中存在各種各樣不同的工作。這些工作通常用不同的詞語(yǔ)來(lái)描述，建立在不同的場(chǎng)景設(shè)置和假設(shè)之上，針對(duì)不同的應(yīng)用領(lǐng)域。比如，Hidasi et al. 在匿名會(huì)話數(shù)據(jù)上建立了一個(gè)基于會(huì)話的推薦系統(tǒng)。他們通過(guò)假設(shè)會(huì)話內(nèi)部的交互行為之間存在嚴(yán)格的先后順序來(lái)預(yù)測(cè)用戶接下來(lái)想要點(diǎn)擊的物品或者想看的電影。
Hu et al. 則在非匿名會(huì)話數(shù)據(jù)上建立了另一個(gè)基于會(huì)話的推薦系統(tǒng)來(lái)推薦用戶下一個(gè)可能想購(gòu)買的物品，他們沒有假設(shè)會(huì)話內(nèi)部存在嚴(yán)格的順序。Jing et al. 則基于非匿名會(huì)話數(shù)據(jù)設(shè)計(jì)了一個(gè)基于會(huì)話的推薦系統(tǒng)來(lái)推薦用戶想要聽的下一首歌或者想看的下一部電影，他們假設(shè)會(huì)話內(nèi)部存在順序。
雖然基于會(huì)話的推薦系統(tǒng)廣泛存在于各個(gè)領(lǐng)域并且很多相關(guān)的研究都已經(jīng)開展了，但是在這個(gè)領(lǐng)域還存在很多的由不同的描述，假設(shè)，場(chǎng)景設(shè)置和應(yīng)用領(lǐng)域?qū)е碌牟灰恢滦浴６?#xff0c;沒有一個(gè)統(tǒng)一的框架可以對(duì)現(xiàn)有的工作進(jìn)行分類，對(duì)于基于會(huì)話的推薦系統(tǒng)也還沒有統(tǒng)一的問題陳述。
更重要的是，沒有人對(duì)基于會(huì)話的推薦系統(tǒng)的特征（包括問題和數(shù)據(jù)方面的）, 挑戰(zhàn)和研究進(jìn)展進(jìn)行系統(tǒng)的討論，也沒有人對(duì)代表性的和最先進(jìn)的方法進(jìn)行系統(tǒng)的分類。這些缺陷限制了基于會(huì)話的推薦系統(tǒng)的理論發(fā)展和實(shí)際應(yīng)用。為了彌補(bǔ)上面提到的不同方面的缺陷，本文對(duì)基于會(huì)話的推薦系統(tǒng)提供了一個(gè)綜合而系統(tǒng)性的概覽和綜述。
本文的主要貢獻(xiàn)如下：
我們提供了一個(gè)統(tǒng)一的框架來(lái)對(duì)基于會(huì)話的推薦系統(tǒng)的相關(guān)工作進(jìn)行分類，從而有效的緩解了這一領(lǐng)域內(nèi)的不一致性。
我們首次為基于會(huì)話的推薦系統(tǒng)提出了一個(gè)統(tǒng)一的問題陳述，在該陳述中，一個(gè)基于會(huì)話的推薦系統(tǒng)是建立在以下幾個(gè)正式的概念之上的：用戶，物品，動(dòng)作，交互和會(huì)話。
我們對(duì)會(huì)話數(shù)據(jù)的基本特征以及它給基于會(huì)話的推薦系統(tǒng)帶來(lái)的挑戰(zhàn)提供了一個(gè)綜合的概覽。據(jù)我們所知，這是該領(lǐng)域內(nèi)的第一次這樣的描述。
我們對(duì)基于會(huì)話的推薦系統(tǒng)的各類方法進(jìn)行了系統(tǒng)的分類和比較，從而可以看出該領(lǐng)域的各個(gè)挑戰(zhàn)被解決到什么程度了，以及該領(lǐng)域當(dāng)前的進(jìn)展如何。
我們對(duì)每一類方法簡(jiǎn)單介紹了主要的技術(shù)細(xì)節(jié)，從而給讀者對(duì)基于會(huì)話的推薦系統(tǒng)的當(dāng)前進(jìn)展提供一個(gè)深入的了解。
我們分析和討論了基于會(huì)話的推薦系統(tǒng)的主要的實(shí)際應(yīng)用領(lǐng)域和場(chǎng)景, 收集和整理了典型算法的開源代碼和常用的公開數(shù)據(jù)集。
最后，我們討論了和分享了基于會(huì)話的推薦系統(tǒng)的一些開放的研究問題和可能的研究方向。
2.2 相關(guān)工作
文獻(xiàn)中存在各種不同的既關(guān)于基于會(huì)話的推薦系統(tǒng)，也關(guān)于序列推薦系統(tǒng)的研究。序列推薦系統(tǒng)是與基于會(huì)話的推薦系統(tǒng)緊密相關(guān)但不同的領(lǐng)域。即使在基于會(huì)話的推薦系統(tǒng)中也存在很多不同的子領(lǐng)域，比如下一個(gè)物品推薦，下一個(gè)購(gòu)物籃推薦等。因此，很多用不同詞語(yǔ)描述的不同的工作混雜在一塊，導(dǎo)致整個(gè)領(lǐng)域內(nèi)沒有一個(gè)統(tǒng)一和一致的描述，很容易讓人混淆。
在這一節(jié)，我們首先澄清基于會(huì)話的推薦系統(tǒng)和序列推薦系統(tǒng)的概念以及他們之間的差異，然后提出一個(gè)整體框架來(lái)統(tǒng)一組織基于會(huì)話的推薦系統(tǒng)內(nèi)的各種不同研究，最后我們闡述這篇綜述跟已有的相關(guān)綜述之間的差異。
2.2.1 基于會(huì)話的推薦系統(tǒng)vs. 序列推薦系統(tǒng)
2.2.2 統(tǒng)一組織基于會(huì)話的推薦系統(tǒng)相關(guān)工作的框架
根據(jù)推薦任務(wù)的不同，基于會(huì)話的推薦系統(tǒng)可以劃分為對(duì)當(dāng)前會(huì)話內(nèi)下一個(gè)交互行為（通常是下一個(gè)物品）的推薦，對(duì)當(dāng)前會(huì)話內(nèi)剩余所有交互行為的推薦和對(duì)下一個(gè)會(huì)話的推薦。
2.2.3 相關(guān)的綜述（詳見原文）
2.3 基于會(huì)話的推薦系統(tǒng)問題陳述
一個(gè)推薦系統(tǒng)可以看作一個(gè)系統(tǒng)，它包含多個(gè)基本主體：用戶，物品，他們間的交互行為。這些基本的主體和行為構(gòu)成會(huì)話的基本組成部分，而會(huì)話是基于會(huì)話的推薦系統(tǒng)的核心主體。因此我們首先介紹這些主體和行為的定義及屬性，然后在他們基礎(chǔ)之上定義基于會(huì)話的推薦系統(tǒng)的研究問題。這些定義和屬性將進(jìn)一步用來(lái)對(duì)基于會(huì)話的推薦系統(tǒng)進(jìn)行刻畫和分類。
2.3.1 用戶以及用戶的屬性
2.3.2 物品以及物品的屬性
2.3.3 行為以及行為的屬性
2.3.4 會(huì)話以及會(huì)話的屬性
2.3.5 基于會(huì)話的推薦系統(tǒng)的研究問題陳述
2.4 特征和挑戰(zhàn)
基于會(huì)話的推薦系統(tǒng)建立在會(huì)話數(shù)據(jù)之上，不同類型的會(huì)話數(shù)據(jù)通常具有不同的特征，這些特征本質(zhì)上給基于會(huì)話的推薦系統(tǒng)帶來(lái)了不同的挑戰(zhàn)。本節(jié)我們首先描述根據(jù)會(huì)話（session）的屬性所劃分的不同類型的會(huì)話數(shù)據(jù)，然后討論每一類會(huì)話數(shù)據(jù)的特征和挑戰(zhàn)。
2.4.1 與會(huì)話長(zhǎng)度相關(guān)的特征和挑戰(zhàn)
2.4.2 與會(huì)話內(nèi)部順序相關(guān)的特征和挑戰(zhàn)
2.4.3 與行為類型相關(guān)的特征和挑戰(zhàn)
2.4.4 與用戶信息相關(guān)的特征和挑戰(zhàn)
2.4.5 與會(huì)話數(shù)據(jù)結(jié)構(gòu)相關(guān)的特征和挑戰(zhàn)
2.5?基于會(huì)話推薦系統(tǒng)方法的分類和比較
2.5.1 基于會(huì)話推薦系統(tǒng)方法的分類
根據(jù)采用的技術(shù)，基于會(huì)話推薦系統(tǒng)方法可以分為 3 大類：傳統(tǒng)方法，基于嵌入表征學(xué)習(xí)的方法，和基于神經(jīng)網(wǎng)絡(luò)的方法。這 3 大類又可以進(jìn)一步分為 8 類。
2.5.2 不同類方法之間的比較
2.6 傳統(tǒng)的基于會(huì)話推薦系統(tǒng)方法
傳統(tǒng)方法采用傳統(tǒng)的數(shù)據(jù)挖掘或者機(jī)器學(xué)習(xí)技術(shù)來(lái)挖掘會(huì)話數(shù)據(jù)內(nèi)部的相關(guān)性，從而進(jìn)行會(huì)話推薦。傳統(tǒng)方法主要包含 4 類：
2.6.1 基于模式/規(guī)則挖掘的方法
2.6.2 基于最近鄰模型的方法
2.6.3 基于馬爾科夫鏈的方法
2.6.4 基于生成式概率模型的方法
2.6.5 傳統(tǒng)方法之間的比較
2.7?基于嵌入表征學(xué)習(xí)（latent representation）的方法
2.7.1 基于潛在因子（latent factor）模型的方法
2.7.2 基于分布式表征（distributed representation）的方法
2.7.3 基于嵌入表征學(xué)習(xí)的方法間的比較
2.8?基于深度神經(jīng)網(wǎng)絡(luò)的方法
2.8.1 基于基本的深度神經(jīng)的方法
2.8.1.1 基于RNN的方法
2.8.1.2 基于MLP的方法
2.8.1.3?基于CNN的方法
2.8.1.4 基于GNN的方法
2.8.2 基于高級(jí)模型的方法
2.8.2.1 基于注意力模型的方法
2.8.2.2?基于記憶網(wǎng)絡(luò)的方法
2.8.2.3?基于混合專家模型的方法
2.8.2.4?基于生成模型的方法
2.8.2.5?基于強(qiáng)化學(xué)習(xí)的方法
2.8.3 基于深度神經(jīng)網(wǎng)絡(luò)的方法間的比較
2.9?基于會(huì)話推薦系統(tǒng)的應(yīng)用，算法和數(shù)據(jù)集
2.9.1 基于會(huì)話推薦系統(tǒng)的應(yīng)用
基于會(huì)話推薦系統(tǒng)已經(jīng)被廣泛應(yīng)用于現(xiàn)實(shí)世界的各個(gè)領(lǐng)域和場(chǎng)景當(dāng)中，來(lái)使客戶和企業(yè)獲利。下表總結(jié)了這些傳統(tǒng)的和新興的應(yīng)用領(lǐng)域。
2.9.2 開源算法和公開數(shù)據(jù)集
2.9.2.1 開源算法整理
2.9.2.2 公開數(shù)據(jù)集整理
2.10?展望和未來(lái)的研究方向
2.10.1 考慮一般用戶偏好的基于會(huì)話推薦系統(tǒng)
2.10.2 考慮更多場(chǎng)景及上下文影響因素的基于會(huì)話推薦系統(tǒng)
2.10.3 考慮跨域信息的基于會(huì)話推薦系統(tǒng)
2.10.4 考慮更多用戶行為模式的基于會(huì)話推薦系統(tǒng)
2.10.5 考慮約束條件的基于會(huì)話推薦系統(tǒng)
2.10.6 交互式的基于會(huì)話推薦系統(tǒng)
2.10.7 在線或者流式的基于會(huì)話推薦系統(tǒng)
2.11?結(jié)論
在本文中，我們對(duì)當(dāng)前的基于會(huì)話的推薦系統(tǒng)的最具代表性的工作進(jìn)行了系統(tǒng)而廣泛的調(diào)研。我們提出了一個(gè)統(tǒng)一的框架來(lái)把這個(gè)領(lǐng)域內(nèi)各種各樣的工作歸結(jié)為 3 大類，同時(shí)我們提出了一個(gè)統(tǒng)一的問題陳述來(lái)消除該領(lǐng)域內(nèi)存在的各種不一致性，以減少讀者的疑惑。
我們透徹地分析了會(huì)話數(shù)據(jù)的獨(dú)有特征以及他們給基于會(huì)話的推薦系統(tǒng)所帶來(lái)的挑戰(zhàn)。我們提出了一個(gè)分類機(jī)制來(lái)對(duì)現(xiàn)有的基于會(huì)話的推薦系統(tǒng)的方法進(jìn)行分類，闡述了每一類方法的核心思想和一些關(guān)鍵的技術(shù)細(xì)節(jié)。
此外我們討論了基于會(huì)話的推薦系統(tǒng)的實(shí)際應(yīng)用領(lǐng)域和場(chǎng)景，收集和整理了一些典型的算法和數(shù)據(jù)集。最后我們討論了該領(lǐng)域一些可能的研究方向。關(guān)于基于會(huì)話的推薦系統(tǒng)的研究正方興未艾，大量的新技術(shù)和新方法正在不斷涌現(xiàn)出來(lái)。
我們希望這篇綜述能給讀者在關(guān)于這個(gè)領(lǐng)域的主要問題，關(guān)鍵挑戰(zhàn)，最新進(jìn)展以及主要方法和應(yīng)用等方面帶來(lái)一個(gè)綜合而全面的了解。
參考文獻(xiàn)
[1] Shoujin Wang, Longbing Cao, Yan Wang, Quan Z. Sheng, Mehmet A. Orgun, Defu Lian. A Survey on Session-based Recommender Systems. ACM Computing Surveys （CSUR 2021), 1-39, (accepted).
[2] 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.
[3] 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.
[4] Shoujin Wang, Liang Hu, Yan Wang, Quan Z. Sheng, Mehmet A. Orgun, Longbing Cao. Modeling Multi-Purpose Sessions for Next-Item Recommendations via Mixture-Channel Purpose Routing Networks. In Proceedings of the 28th International Joint Conference on Artificial Intelligence (IJCAI 2019), 6332-6338, 2019.
[5] Shoujin Wang, Liang Hu, Longbing Cao, Xiaoshui Huang, Defu Lian, Wei Liu. Attention-based Transactional Context Embedding for Next-item Recommendation. In Proceedings of the 32nd AAAI Conference on Artificial Intelligence (AAAI 2018), 2532-2539, 2018.
[6] Shoujin Wang, Liang Hu, Longbing Cao. Perceiving the Next Choice with Comprehensive Transaction Embeddings for Online Recommendation. In Proceedings of the 28th Joint European Conference on Machine Learning and Knowledge Discovery in Databases (ECML-PKDD 2017), 285-302, 2017.
[7] Shoujin Wang, Liang Hu, Yan Wang, Quan Z. Sheng, Mehmet A. Orgun, Longbing Cao. Intention Nets: Psychology-inspired User Choice Behavior Modeling for Next-basket Prediction. In Proceedings of the 34th AAAI Conference on Artificial Intelligence (AAAI 2020)，6259--6266, 2020.
[8] Liang Hu, Longbing Cao, Shoujin Wang, et al. Diversifying Personalized Recommendation with User-session Context. In Proceedings of the 26th International Joint Conference on Artificial Intelligence (IJCAI 2017), 1858-1864, 2017.
更多閱讀
#投 稿?通 道#
?讓你的論文被更多人看到?
如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達(dá)讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？答案就是：你不認(rèn)識(shí)的人。
總有一些你不認(rèn)識(shí)的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學(xué)者和學(xué)術(shù)靈感相互碰撞，迸發(fā)出更多的可能性。?
PaperWeekly 鼓勵(lì)高校實(shí)驗(yàn)室或個(gè)人，在我們的平臺(tái)上分享各類優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學(xué)習(xí)心得或技術(shù)干貨。我們的目的只有一個(gè)，讓知識(shí)真正流動(dòng)起來(lái)。
?????來(lái)稿標(biāo)準(zhǔn)：
? 稿件確系個(gè)人原創(chuàng)作品，來(lái)稿需注明作者個(gè)人信息（姓名+學(xué)校/工作單位+學(xué)歷/職位+研究方向）?
? 如果文章并非首發(fā)，請(qǐng)?jiān)谕陡鍟r(shí)提醒并附上所有已發(fā)布鏈接?
? PaperWeekly 默認(rèn)每篇文章都是首發(fā)，均會(huì)添加“原創(chuàng)”標(biāo)志
?????投稿郵箱：
? 投稿郵箱：hr@paperweekly.site?
? 所有文章配圖，請(qǐng)單獨(dú)在附件中發(fā)送?
? 請(qǐng)留下即時(shí)聯(lián)系方式（微信或手機(jī)），以便我們?cè)诰庉嫲l(fā)布時(shí)和作者溝通
????
現(xiàn)在，在「知乎」也能找到我們了
進(jìn)入知乎首頁(yè)搜索「PaperWeekly」
點(diǎn)擊「關(guān)注」訂閱我們的專欄吧
關(guān)于PaperWeekly
PaperWeekly 是一個(gè)推薦、解讀、討論、報(bào)道人工智能前沿論文成果的學(xué)術(shù)平臺(tái)。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號(hào)后臺(tái)點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。
總結(jié)
以上是生活随笔為你收集整理的ACM Computing Surveys 2021：基于会话推荐系统的最新长文综述的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 直播 | WWW 2021论文解读：强化
- 下一篇： SIGIR 2021 | 推荐系统中的自