鹿祥志，孙福振，王绍卿，徐上上

山东理工大学 计算机科学与技术学院,山东 淄博 255049

随着网络信息量的不断增长，推荐系统已成为克服信息超载的有效策略[1]。传统的推荐问题通常抽象成矩阵填充问题，这样的方法适合应用在拥有用户长期配置文件的情境中。当用户的长期配置文件不存在时，就需要根据用户和站点交互的会话日志来做出推荐。这种仅依赖于用户当前进行的会话中的动作序列来预测用户下一个动作的问题被称之为基于会话的推荐。基于会话的推荐系统（Session-based Recommender System）是个性化推荐系统的一个重要组成部分。会话指的是在给定时间内发生的用户与站点的交互[2]。在推荐系统中会话通常能体现用户这段时间内的意图，例如，看某种类型的新闻，买某类商品等[3]。目前，基于会话的推荐主要的算法包括：基于序列模式挖掘的方法[4]、基于马尔可夫模型的方法[5]，以及基于循环神经网络的方法[6]。由于近年来深度学习技术的飞速发展，基于神经网络的会话推荐算法成为当前研究的热点。其中，循环神经网络（RNN）具有可以利用历史状态的特点，Hidasi 等人[7]首次将RNN应用于推荐系统，不仅证明了RNN能应用于基于会话的推荐问题，而且针对基于会话推荐的这项特定任务，设计了带有门控循环单元（Gated Recurrent Unit，GRU）的RNN 模型GRU4REC。Tan 等人[8]提出在GRU4REC 上引入四条优化方法，包括数据增强技术、设置时间阈值来适应变化、使用特权信息（关于点击项目的属性）和输出嵌入方法。之后Hidasi 等人[9]则通过改进排序损失函数对RNN进行优化。……