摘要
基于会话的推荐旨在仅利用单个会话中的信息，预测用户下一步可能点击的项目，即使在存在部分随机用户行为的情况下，仍需完成这一复杂任务。该问题对预测用户下一步行为的模型能力提出了较高要求。目前大多数（如果不是全部）现有模型均遵循编码器-预测器范式，且研究重点集中于如何对编码器模块进行充分优化，却忽视了对预测器模块的优化。本文发现，现有模型中预测器模块能力不足是关键问题。受此启发，我们提出一种新型框架——基于预测器增强的会话推荐（Session-based Recommendation with Predictor Add-On, SR-PredictAO）。在该框架中，我们设计了一个高能力的预测器模块，能够有效缓解随机用户行为对预测结果带来的负面影响。值得注意的是，该框架具有良好的通用性，可无缝集成到任意现有模型中，为后续进一步优化提供了可能。在两个真实世界基准数据集上，针对三种先进模型的大量实验表明，SR-PredictAO在HR@20指标上相较当前最先进模型最高提升2.9%，在MRR@20指标上最高提升2.3%。更重要的是，该提升在所有数据集上几乎适用于所有现有模型，且具有统计显著性，因此可被视为该领域的一项重要贡献。