点击关注我们，提升学习效率
title：S-Walk: Accurate and Scalable Session-based Recommendation with Random Walks
link：https://arxiv.org/pdf/2201.01091.pdf
from：WSDM 2022
1. 导读
本文针对基于会话的推荐而提出的相关方法S-Walk，主要针对两方面：
- 同时关注会话内和会话间的商品之间的关系；
- 所提方法具有更高的效率和更好的可扩展性。
S-Walk主要包含三个部分，分别是transition model（直译：转换模型）， teleportation model（直译：传送模型）以及具有重启的随机游走（RWR）。
- 通过转换模型，从会话序列中捕获商品之间的依赖关系和顺序关系
- 通过传送模型，从会话序列中捕获商品之间的共现关系
- 利用RWR，结合上面两个模型得到的图，生成最终的图，用于预测。
2. 基本概念
2.1 符号
表示会话集合，每个会话s中包含一系列的交互商品，商品集合表示为
，序列s表示为
，其中
。交互的类型有很多，包括点击、购买等，这里简化为是否交互，不区分具体类型，定义一个矩阵
，m是会话集合大小，n是商品集合大小，其中的元素等于1表示有交互，等于0表示没交互。
2.2 问题定义
会话推荐的目标就是，给定用户在之前的交互商品，预测下一个可能交互的商品。对于给定的
预测候选商品列表
，这相比于预测单个商品
更具一般性。
2.3 随机游走模型
随机游走的关键概念是反映商品之间的直接和传递关系。使用随机游走的传统推荐模型基于用户-商品二分图
，其中 U 和 I 是用户集合和商品集合。每条边
