基于会话推荐系统最新长文综述,163篇参考文献,已被ACM Computing Surveys接收
首先,一个用户对物品的选择不仅依赖于他长期以来形成的偏好,而且依赖于他短期的最近的偏好和跟时间相关的上下文场景(比如他最近浏览或者购买过的物品)。这种短期偏好通常隐含在用户的最近发生的与物品的交互行为之中,而这类最近的交互行为通常仅占用户所有交互行为的很小一部分。
其次,一个用户对物品的偏好通常是动态变化而非静止的,它会随着时间的推移而演变。
研究者提供了一个统一的框架来对基于会话的推荐系统的相关工作进行分类,从而有效的缓解了这一领域内的不一致性。
研究者首次为基于会话的推荐系统提出了一个统一的问题陈述,在该陈述中,一个基于会话的推荐系统是建立在以下几个正式的概念之上的:用户、物品、动作、交互和会话。
研究者对会话数据的基本特征以及它给基于会话的推荐系统带来的挑战提供了一个综合的概览。据了解,这是该领域内的第一次这样的描述。
研究者对基于会话的推荐系统的各类方法进行了系统的分类和比较,从而可以看出该领域的各个挑战被解决到什么程度了,以及该领域当前的进展如何。
研究者对每一类方法简单介绍了主要的技术细节,从而给读者对基于会话的推荐系统的当前进展提供一个深入的了解。
研究者分析和讨论了基于会话的推荐系统的主要的实际应用领域和场景、收集和整理了典型算法的开源代码和常用的公开数据集。
最后,研究者讨论和分享了基于会话的推荐系统的一些开放的研究问题和可能的研究方向。
3.1 用户以及用户的属性
3.2 物品以及物品的属性
3.3 行为以及行为的属性
3.4 会话以及会话的属性
3.5 基于会话的推荐系统的研究问题陈述
4.1 与会话长度相关的特征和挑战
4.2 与会话内部顺序相关的特征和挑战
4.3 与行为类型相关的特征和挑战
4.4 与用户信息相关的特征和挑战
4.5 与会话数据结构相关的特征和挑战
5. 基于会话推荐系统方法的分类和比较
5.1 基于会话推荐系统方法的分类
6.1 基于模式 / 规则挖掘的方法
6.2 基于最近邻模型的方法
6.3 基于马尔科夫链的方法
6.4 基于生成式概率模型的方法
6.5 传统方法之间的比较
7.1 基于潜在因子 (latent factor) 模型的方法
7.2 基于分布式表征 (distributed representation) 的方法
7.3 基于嵌入表征学习的方法间的比较
8.1 基于基本的深度神经的方法
8.1.1 基于 RNN 的方法
8.1.2 基于 MLP 的方法
8.1.3 基于 CNN 的方法
8.1.4 基于 GNN 的方法
8.2 基于高级模型的方法
8.2.1 基于注意力模型的方法
8.2.2 基于记忆网络的方法
8.2.3 基于混合专家模型的方法
8.2.4 基于生成模型的方法
8.2.5 基于强化学习的方法
8.3 基于深度神经网络的方法间的比较
9.2 开源算法和公开数据集
9.2.1 开源算法整理
9.2.2 公开数据集整理
10.1 考虑一般用户偏好的基于会话推荐系统
10.2 考虑更多场景及上下文影响因素的基于会话推荐系统
10.3 考虑跨域信息的基于会话推荐系统
10.4 考虑更多用户行为模式的基于会话推荐系统
10.5 考虑约束条件的基于会话推荐系统
10.6 交互式的基于会话推荐系统
10.7 在线或者流式的基于会话推荐系统