会话推荐
概述
仅基于用户当前匿名会话中的短期点击行为进行推荐，不依赖跨会话的用户历史或显式用户画像，适用于未登录用户、低回访率垂直电商等场景。
关键内容
-
问题定义：给定匿名用户在当前会话中的点击序列 $[x_1, x_2, ..., x_t]$，预测下一次最可能点击的物品 $x_{t+1}$。约束条件：不使用任何跨会话的用户信息，不依赖显式用户画像。
-
核心挑战：
- 匿名用户问题：大量用户在未登录状态下浏览，没有账户、没有持久化用户 ID，许多电商网站超过一半的流量来自匿名用户
- 短期行为窗口：典型购物会话仅包含 3-10 次点击，持续几分钟到十几分钟
- 无长期历史：垂直电商用户回访率低，用户-物品矩阵极度稀疏，矩阵分解方法几乎无法工作
-
行为的序列性：用户点击并非独立同分布，而是有内在逻辑的序列，隐含即时意图
-
传统方法局限：
- 基于流行度（POP/S-POP）：忽略个性化意图
- Item-KNN：仅利用最后一次点击信息，无法建模整个会话上下文
- 马尔可夫链：一阶只考虑最近一次交互，高阶导致状态空间爆炸
-
矩阵分解：需要用户长期历史，在纯 session-based 场景下表现不佳
-
深度学习方法：GRU4Rec（2016）首次将 GRU 引入会话推荐，通过 Session-Parallel Mini-Batch 训练和排序损失函数，在 Recall@20 上比 Item-KNN 提升 20-30%。后续工作包括 NARM（注意力机制）、HRNN（层次化 RNN）、STAMP（纯注意力）、SR-GNN（图神经网络）等。
-
持续研究价值：
- 隐私保护：GDPR 等法规下，长期存储用户行为数据受限
- 冷启动：新用户、新平台的冷启动问题天然适合会话推荐
- 实时性：用户意图在会话中快速变化，需要模型实时适应
-
多模态：现代会话推荐融合点击、停留时间、滚动行为等多种信号
-
评估范式：GRU4Rec 确立的评估方式（Recall@K 和 MRR@K、基于会话的划分策略、RSC15 数据集）成为后续研究的标准评估范式，被数百篇论文沿用。