本研究将用户兴趣视为潜在空间中的随机过程，以应对会话推荐系统中的数据不确定性、流行度偏差和曝光偏差。实验结果表明，该方法有效减轻了这些偏差。

本文提出了一种基于循环神经网络的会话推荐方法，结合排序损失函数，实验结果表明其在多个数据集上优于传统方法。同时，研究探讨了生成模型、图神经网络及线性模型在会话推荐中的应用，发现简单的基于最近邻的方法在许多情况下表现更佳。文章强调了会话推荐算法的改进和性能提升的重要性。

该文综述大语言模型与会话推荐系统的融合进展，提出LLM4SBR框架，将数据转化为文本与行为双模态以提升传统SBR性能；介绍CM-GNN利用对比学习建模高阶物品转换、RI-GNN借助评论信息优化物品依赖，以及RLMRec、GLLM4Rec等通过语义对齐增强推荐的框架，并梳理LLM与图表示学习的集成分类及未来方向。

该文综述个性化新闻推荐的多项研究，包括利用卷积网络与个性化注意力建模用户兴趣、结合候选新闻训练提升推荐效率、提出基于阅读停留时间评估新闻质量并融入兴趣建模的QualityRec模型，以及知识图谱交互匹配、会话推荐NARM、可解释性框架和口语内容理解等方向。

该研究提出了临时图神经网络（TempGNN）用于捕捉复杂项目转换中的结构和时间动态的通用框架，并通过预测下一步行动来进行会话推荐。实验结果表明，该方法有效且适应性强，在两个真实的电子商务数据集上取得了最先进的性能。

该研究提出了临时图神经网络（TempGNN），用于捕捉复杂项目转换中的结构和时间动态的通用框架。该方法可用于理解用户与项目之间相对较短的正在进行的会话中的交互行为，并通过预测下一步行动来进行会话推荐。实验结果表明，该方法在两个真实的电子商务数据集上取得了最先进的性能。