세션 기반 추천은 한 번의 세션 내 정보만을 활용하여 사용자의 다음 아이템 클릭을 예측하려는 문제로, 사용자 행동의 무작위성에도 불구하고 이를 해결해야 하는 복잡한 과제이다. 이러한 복잡한 문제를 해결하기 위해서는 사용자의 다음 행동을 예측할 수 있는 높은 능력을 갖춘 모델이 필요하다. 기존의 대부분(혹은 전부)의 모델들은 인코더-예측기 파라다임을 따르며, 이 파라다임 내에서 인코더 모듈의 최적화에 집중하는 연구가 대부분이지만, 예측기 모듈의 최적화는 간과되어 왔다. 본 논문에서는 기존 모델들에서 예측기 모듈의 낮은 능력이라는 핵심적인 문제를 발견하였다. 이러한 발견을 계기로, 세션 기반 추천을 위한 예측기 추가 프레임워크(Session-based Recommendation with Predictor Add-On, SR-PredictAO)라는 새로운 프레임워크를 제안한다. 본 프레임워크에서는 사용자 행동의 무작위성에 미치는 영향을 완화할 수 있는 높은 성능의 예측기 모듈을 제안하였다. 특히, 본 프레임워크는 기존의 어떤 모델에도 적용 가능하다는 점에서, 향후 프레임워크의 추가 최적화를 위한 기회를 제공한다. 최신 3가지 모델을 대상으로 두 개의 실세계 기준 데이터셋에서 실시한 광범위한 실험 결과, SR-PredictAO는 기존 최고 성능 모델 대비 HR@20에서 최대 2.9%, MRR@20에서 최대 2.3%의 성능 향상을 달성하였다. 더 중요한 점은, 모든 데이터셋에서 거의 모든 기존 모델에 대해 일관된 성능 향상이 나타났으며, 통계적으로도 유의미하다는 점이다. 이는 본 분야에 있어 중요한 기여로 평가할 수 있다.