一、這篇論文解決什么問題

session-based recommendation：用戶未登錄狀態(tài)下, 僅僅依賴匿名會話進行用戶下一個行為預測的一種算法（session-based recommendation）

作者認為此論文發(fā)表前其他方法的不足：沒有充分利用session信息

作者如何利用session信息：GRU（考慮隱含信息，考慮事件次序）

二、作者提出的模型架構

input layer + GRU layer + feed-forward layer + output layer

三、作者對GRU模型的幾點改進

session-parallel mini-batches

這里的核心問題：如何處理變長序列

作者的做法，其實就是把無意義的padding（padding本身不包含語義信息）優(yōu)化為有意義的padding（用其他session的事件來padding）

實際上，現(xiàn)在可以通過pack操作處理變長序列

sampling on the output

理想情況下，可以計算所有item的分數(shù)。但是在實踐中，需要對負樣本采樣，作者的做法也很簡單，同一個mini-batch的其他樣本就是負樣本。

ranking loss

pointwise and pairwise的ranking loss作者都試過了，發(fā)現(xiàn)pairwise ranking loss表現(xiàn)更好，作者用了BPR和TOP1

BPR(Bayesian Personalized Ranking)：

TOP1:?

四、論文中對模型的優(yōu)化結(jié)論

1. 輸入加了embedding層后，效果變差

2. 在多層GRU層的情況下，輸入層直接連越深的GRU層，效果會變好

3. 一層的GRU比多層的效果好

4. 增加GRU的大小，也就是增加hidden size，也會使效果變好

5. 一層feed-forward層足夠，多了效果也不會變好

6.?pairwise ranking loss優(yōu)于pointwise?ranking loss

五、對這篇論文的感受

現(xiàn)在看貌似很簡單，但是這篇論文在2016年就把GRU很好地應用到session-based recommendation中，已經(jīng)很有意義了。

另外，我對session-parallel mini-batches這部分的理解不是很有把握。

PS：本文的所有公式和圖表都來自于論文：SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS，有理解不對的地方，歡迎指正