会话推荐 on Chen Kai Blog

HCGR —— Hyperbolic Contrastive Graph Representation Learning for Session-based Recommendation

Wed, 01 May 2024 09:00:00 +0000

会话推荐中的“兴趣结构”几乎天然是分层的：用户先点开一个大类（如“跑鞋”），再筛选品牌、尺码和价位，最终选定一个 SKU。这条交互轨迹天然构成一棵树——每次点击都会将候选集大致按固定倍数缩小。问题在于，在欧氏空间中嵌入这类树状结构需要大幅增加维度，以避免叶子节点在表示空间中过度靠近，因为欧氏空间的“体积”只随半径多项式增长；而双曲空间的体积随半径指数级增长，正好与树的分支增长是同一个量级，几维就能把整条长尾摊开。

Graph Contextualized Self-Attention Network for Session-based Recommendation

Sun, 29 Jan 2023 09:00:00 +0000

会话推荐里你能看到的只是一小段匿名点击序列，没有用户画像、历史长期偏好或人口统计，所有信号都封装在这几次点击中。GC-SAN（IJCAI 2019）的思路很务实：把当时最强的两个想法直接叠起来——SR-GNN 的会话图捕捉局部转移结构，Transformer 的自注意力捕捉长距离意图，最后用一个标量权重把“当前点击”和“全局意图”线性融合。它本身不引入新机制，但作为一个基准，至今仍难以被同等参数量级的模型超越。

Integrating Large Language Models with Graphical Session-Based Recommendation

Sun, 22 Jan 2023 09:00:00 +0000

会话推荐（Session-based Recommendation, SBR）本质上是一个“短历史”问题：你只看到用户在一次会话中很短的一段点击序列（通常 3-20 次），就要预测下一个最可能点击的物品。难点在于工程现实——会话短、长尾多、冷启动多，仅依赖交互图（ID + 转移边）往往难以稳定训练：新物品几乎无交互边，长尾物品的边既稀疏又不可靠，用户随意点击还会引入噪声。