胡亮教授相关成果介绍④：用户-会话上下文推荐：在效率与多样性之间做平衡 Diversifying Personalized Recommendation with User-session Conte

作者简介

胡亮，同济大学计算机科学与技术学院教授、博导，毕业于上海交通大学与悉尼科技大学，研究方向涵盖人工智能、推荐系统、机器学习与数据科学，入选上海海外高层次人才，获国家自然科学基金优秀青年科学基金项目（海外）支持。

一、研究背景

推荐系统长期偏向给用户推荐“与历史行为相似”的物品，这会带来准确但单调的结果。会话推荐试图利用用户当前会话中的上下文缓解这一问题，但很多已有方法默认会话内部是严格有序序列，并且忽视了用户个体差异。作者认为，真实场景中的会话往往是“松散有序”的，例如购物车中多件商品的加入顺序并不一定有强语义，因此需要一种既考虑会话上下文、又能兼顾个性化和在线效率的新方案。

二、论文信息

三、核心发现

图示：论文原文中的 SWIWO 用户-会话上下文建模结构图

四、研究内容解读

1. 这项研究要回答什么问题？

这项研究首先要回答的是：如何在不牺牲实时性的前提下，让推荐结果既更贴合当前会话，又不过度重复用户历史上已看过、已买过的相似物品？作者把问题重新定义为：给定用户与当前会话上下文，预测哪些物品与该上下文“最相关”，而不只是“最相似”。

2. 研究团队发现了什么？

在模型层面，SWIWO 同时接收两类输入：一类是用户向量，另一类是会话中已出现物品的上下文向量。这种设计借鉴了词向量模型的思想，把会话中的物品看成上下文，把待预测物品看成输出目标，但又额外融入用户表示，从而形成真正的个性化会话建模。

3. 他们是如何证明的？

论文强调，这一结构的优势不只在于更快，还在于它不强迫模型学习“上一件商品到下一件商品”的刚性转移，而是直接学习“整个会话上下文到候选物品”的相关性。这使得模型更适合购物、套餐搭配等弱序列但强共现的场景，也更容易生成多样化推荐结果。

五、关键机制与功能验证

从验证结果看，SWIWO 在真实电商数据集上显著优于 FPMC、PRME 和 GRU4Rec 等方法，REC@10 与 REC@20 均有明显提升。论文还引入 DIV@K 与融合准确率和多样性的 F1@K 评价，说明该方法不仅命中率更高，也确实能产生更丰富的推荐列表。这意味着 SWIWO 的价值不只是效率优化，而是在“个性化准确性”和“推荐多样性”之间给出了更实际的平衡方案。

六、总结与意义

这篇论文的意义在于，它把会话推荐从“深层序列建模”扩展到“上下文相关性建模”，并证明浅层结构在大规模在线场景中同样可以取得更优效果。对于强调部署效率、页面丰富度和用户体验的业务场景，这种思路具有很强的工程参考价值。

DOI：10.24963/ijcai.2017/258