セッションベース推薦は、ユーザーの次のアイテムクリックを予測する問題であり、単一のセッション内に含まれる情報のみを用いて行うことを目的としている。この問題は、ユーザー行動にランダムな要因が含まれる場合でも成立するため、非常に複雑である。このような複雑な課題を解決するためには、ユーザーの次の行動を高精度で予測できる高能力なモデルが不可欠である。現存するほとんどの（あるいはすべての）モデルは、エンコーダー・プロディクター（encoder-predictor）アーキテクチャに従っており、既存の研究はすべてエンコーダーモジュールの最適化に注力しているが、プロディクターモジュールの最適化についてはほとんど無視されてきた。本論文では、既存モデルにおけるプロディクターモジュールの低能力性という重要な課題を発見した。この洞察に基づき、我々は「プロディクター追加型セッションベース推薦」（Session-based Recommendation with Predictor Add-On, 以下 SR-PredictAO）と呼ばれる新たなフレームワークを提案する。本フレームワークでは、ユーザー行動のランダム性の影響を軽減できる高能力なプロディクターモジュールを導入した。特に注目すべきは、このフレームワークが既存のあらゆるモデルに適用可能であり、さらなる性能向上の機会を提供できる点である。3つの最先端モデルを用いた2つの実世界ベンチマークデータセットにおける広範な実験結果から、SR-PredictAOはHR@20において最大2.9%、MRR@20において最大2.3%の性能向上を達成した。さらに重要なのは、すべてのデータセットにおいてほぼすべての既存モデルで一貫した改善が得られ、統計的に有意である点であり、本研究は分野における重要な貢献と評価できる。