邬锦琛，杨兴耀，于 炯，李梓杨，黄擅杭，孙鑫杰

新疆大学 软件学院，乌鲁木齐830008

在大数据时代，用户从大量的产品和服务中想获取自己需要的信息是极其困难的。推荐系统可以根据用户的历史数据了解用户的偏好，帮助用户做出合理的决策和选择。随着推荐系统的开发和对用户数据的分析，用户的偏好可以区分为长期偏好和短期偏好[1]。传统的推荐系统只考虑用户的长期偏好，而忽略了用户偏好的转移。例如，在电子商务平台中，用户购买的物品构成了用户的行为序列，传统的推荐系统的目的是通过物品的转移来了解用户的长期偏好。用户购买物品的行为序列如图1所示。

图1 用户购买物品的行为序列Fig. 1 Behavior sequence of user purchases

图1 中描述了六件物品之间的转换关系。传统的推荐系统考虑项目所有用户行为的转换关系，以便推荐系统花费很长时间关注用户注重的物品，但这会减弱推荐系统对用户偏好变化的敏感度。因此，推荐系统无法快速学习用户偏好的转移。如，一个用户买了很长时间的鱼肉，突然喜欢上了牛肉。但是，由于用户购买鱼肉的次数比购买牛肉的次数多，传统的推荐系统认为用户的偏好仍然是鱼肉。因此，传统的推荐系统由于没有考虑用户行为的交易结构而忽略了用户偏好的转移。为了解决这个问题，有必要将用户行为序列分解成更小段的序列，即会话。例如，按照时间做分割，用户一次购买的商品、一天内浏览的网页等。基于会话的推荐模型以会话作为推荐的基本单元，可以减少用户的信息损失，并且已经得到了广泛的研究。……