本文介绍 IJCAI 2020 中 2 篇基于会话推荐的论文。分别为：
- 基于会话推荐的协同自注意力网络
- 基于增量式会话推荐的记忆增广神经模型
1. Collaborative Self-Attention Network for Session-based Recommendation
https://www.ijcai.org/Proceedings/2020/0359.pdf
基于会话的推荐因其能够为匿名用户提供推荐而成为研究热点。然而，现有的基于会话的方法存在以下局限性：
（1）它们要么缺乏学习复杂依赖关系的能力，要么主要关注当前会话而没有显式地考虑协同信息。 （2）它们假设项目的表示是静态的，并且在每个时间步对所有用户是固定的。
文章认为，即使是相同的项目，也可以在相同的时间步长上为不同的用户提供不同的表示。
为此，这篇文章提出了一种新颖的基于会话的推荐方案——协同自注意力网络（Collaborative Self-Attention Network，CoSAN），通过调查邻域会话来学习会话表示并预测当前会话的意图。
- 首先，通过聚合根据当前会话中的每个项目检索到的邻域会话的嵌入来设计协同项目表示。
- 然后，利用自注意力来学习协同项目之间的远程依赖关系，并生成协同会话表示。
- 最后，通过连接协同会话表示和当前会话的嵌入来表示每个会话。
在两个真实世界的数据集上的广泛实验表明，CoSAN 的性能优于最先进的方法。
CoSAN模型架构
实验数据和实验结果
实验数据
不同方法在两个数据集上的性能。文章生成推荐的前5个项目。粗体表示最好的结果(越高越好)，次好的用下划线表示
2. Memory Augmented Neural Model for Incremental Session-based Recommendation
https://www.ijcai.org/Proceedings/2020/0300.pdf
对隐私的日益关注激发了人们对基于会话的推荐（SR）的兴趣，SR 不使用除当前浏览器会话中观察到的个人数据外的其他个人数据。现有方法是在静态设置中评估的，这在实际的应用程序中很少出现。
为了更好地解决 SR 任务的动态性质，文章研究了一个增量 SR 场景，在该场景中，新项目和首选项不断出现。
- 文章表明，现有的神经推荐系统可以用于具有较小增量更新的增量SR场景，以减轻计算开销和灾难性遗忘。
- 更重要的是，文章提出了一种称为记忆增强神经模型（Memory Augmented Neural model，MAN）的通用框架。MAN 使用不断查询和更新的非参数记忆来扩充基本神经推荐系统，并通过另一个轻量级门控网络将来自神经和记忆组件的预测组合在一起。
经验表明，MAN 非常适合增量 SR 任务，并且它的性能始终优于最先进的神经和非参数方法。文章分析了结果，并证明了它特别擅长增量学习新的和不频繁的项目的偏好。
MAN 的计算流水线
实验数据和实验结果
实验数据
两个数据集上增量 SR 任务的不同模型的总体结果。模型按 HR@5 排序，每列最好的方法以粗体表示
