曾义夫 牟其林 周 乐 蓝 天 刘 峤

1(电子科技大学信息与软件工程学院 成都 610054) 2(提升政府治理能力大数据应用技术国家工程实验室(中电科大数据研究院有限公司) 贵阳 550022) 3(中电科大数据研究院有限公司 贵阳 550022)(ifz@std.uestc.edu.cn)

基于会话的推荐系统(session-based recom-mender systems， SRS)是推荐系统领域的一个重要研究分支，因其在电子商务中的实用性而受到广泛关注［1].SRS研究的基本问题是如何利用用户会话日志中记录的历史行为(如浏览、购买等点击行为)来预测用户下一次将要点击的物品.因此，SRS问题也被称为点击预测(next-click prediction)问题［2].

与传统推荐系统相比，SRS问题的困难性主要体现在：1)SRS中的用户通常是匿名的，仅通过当前会话很难获得足够的上下文信息对用户兴趣进行建模；2)SRS数据仅包含用户浏览点击行为，不包含用户对物品的主观意见(如评分)，因此只能通过该数据对用户兴趣进行间接推测.简言之，SRS需要根据有限的点击行为序列所反映出的用户隐含兴趣，预测用户的真实兴趣并做出针对性推荐［2].

当前性能表现较好的SRS模型多为基于循环神经网络(recurrent neural networks, RNNs)的深度学习模型，其共性在于对用户点击物品(item)采用实值向量进行表达(称为embeddings)，并且采用随机值对embeddings向量进行初始化，通过对用户点击序列进行学习，迭代更新得到物品的向量表达［2-5].

本文认为这种基于会话子序列学习得到物品表达，并依据子序列编码进行预测的方式会导致模型的注意力局限于会话中的已点击物品，倾向于推荐与已点击……