Multi-intent-aware Session-based Recommendation

Session-based recommendation（SBR）旨在预测用户在进行的会话中将与哪个项目互动。大多数现有的SBR模型都专注于设计复杂的基于神经网络的编码器来学习会话表示，以捕捉会话项目之间的关系。然而，它们往往只关注最后一个项目，忽略了会话中可能存在的多样化用户意图。这种限制导致了显著的性能下降，尤其是对于较长的会话。为了解决这个问题，我们提出了一种新的SBR模型，称为多意图感知会话推荐模型（MiaSRec）。它采用频率嵌入向量来指示会话中项目的频率，以增强有关重复项目的信息。MiaSRec通过派生以每个项目为中心的多个会话表示，并动态选择重要的表示来表示各种用户意图。广泛的实验结果表明，MiaSRec在六个数据集上优于现有的最先进的SBR模型，特别是对于平均会话长度较长的数据集，MRR@20和Recall@20分别达到了6.27％和24.56％的增益。我们的代码可在https://github.com/jin530/MiaSRec上获取。

该论文的问题是如何解决会话中存在多个用户意图的情况下，提高会话推荐的性能。

论文提出了一种名为MiaSRec的新型会话推荐模型，采用频率嵌入向量来增强有关重复项的信息，并通过推导以每个项目为中心的多个会话表示来表示各种用户意图，并动态选择重要的表示。

论文通过实验表明，MiaSRec在六个数据集上优于现有的最先进的SBR模型，特别是对于平均会话长度较长的数据集，MRR@20和Recall@20分别达到6.27％和24.56％的增益。该论文提供了开源代码。

最近的相关研究包括：《Session-based Recommendation with Graph Neural Networks》、《Hierarchical Recurrent Neural Network for Session-based Recommendation》、《Recurrent Neural Networks with Top-k Gains for Session-based Recommendations》等。