这篇文档属于类型a，是一篇关于会话型推荐系统（session-based recommendation）的原创性研究论文。以下为详细的学术报告内容：
作者及机构
本研究由奥地利因斯布鲁克大学（University of Innsbruck）的Andreas Peintner、Amir Reza Mohammadi和Eva Zangerle合作完成，发表于2025年4月的《ACM Transactions on Recommender Systems》（ACM Trans. Recomm. Syst.），标题为《Efficient Session-Based Recommendation with Contrastive Graph-Based Shortest Path Search》。论文是2023年ACM RecSys会议论文的扩展版本。
学术背景
研究领域与动机
会话型推荐系统（SBR, Session-Based Recommendation）旨在通过匿名用户的短期交互序列预测其下一个可能感兴趣的物品（item）。传统推荐系统依赖用户长期行为数据，而SBR面临数据稀疏性、用户意图捕捉困难等挑战。现有基于图神经网络（GNN, Graph Neural Network）的方法通过全局物品关系挖掘会话间的协同信息，但存在两大问题：
1. 噪声问题：原始数据中的不可靠物品关系会干扰模型性能；
2. 计算效率：多层GNN的信息聚合机制复杂度高，难以扩展至大规模物品库。
本研究提出SPARE（Shortest-Path Aware Item Relations）模型，通过最短路径搜索构建去噪的全局物品图，并结合监督对比学习（Supervised Contrastive Learning, SCL）缓解数据稀疏性，实现高效且精准的推荐。
研究流程与方法
1. 全局物品图构建（Global Item Base Graph）
- 输入：所有会话中的物品序列，构建有向加权图 ( G = (V, E) )，节点 ( V ) 为物品，边 ( E ) 为物品共现频率。
- 最短路径增强（SPARE策略）：
- 使用Dijkstra算法计算节点间最短路径，路径权重为边权倒数之和。
- 通过阈值 ( \mu ) 过滤低支持度边（如共现频率低的噪声关系），保留高权重路径作为“快捷连接”（shortcut connections），模拟多层GNN的多跳信息聚合。
- 创新点：单层图卷积即可捕获长程依赖，避免多层GNN的过平滑问题。
2. 会话编码与表示学习
- 图卷积操作：对增强后的图 ( \hat{G} ) 进行对称归一化卷积，生成物品嵌入表示 ( \mathbf{h} )。
- 位置嵌入：引入反向位置编码（reversed position embeddings）捕捉会话中物品的时序重要性。
- 注意力机制：通过软注意力（soft attention）加权聚合物品表示，生成会话嵌入 ( \mathbf{z} )。
3. 监督对比学习（SCL）
- 正负样本挖掘：
- 正样本：目标物品相同的其他会话的最后点击物品；
- 负样本：通过BLEU分数（一种自然语言处理中的序列相似度度量）筛选与当前会话相似但目标物品不同的“困难负样本”（hard negatives）。
- 损失函数：结合交叉熵损失 ( \mathcal{L}{ce} ) 和对比损失 ( \mathcal{L}{scl} )，优化目标为 ( \mathcal{L} = \mathcal{L}{ce} + \beta \mathcal{L}{scl} )。
4. 预测与优化
- 使用加权L2归一化（weighted L2 normalization）稳定训练，通过物品与会话嵌入的点积计算推荐得分。
主要结果
实验验证
在四个公开数据集（Tmall、RetailRocket、Last.fm、Gowalla）上的实验表明：
1. 性能优势：SPARE在Precision@20和MRR@20上显著优于现有方法（如GCE-GNN、COTREC等），例如在Tmall上MRR@20提升7.04%。
2. 效率提升：单层图卷积的训练速度比多层GNN快1.56–1.84倍。
3. 消融实验：
- 移除最短路径搜索（SPARE-nSP）或对比学习（SPARE-nSCL）均导致性能下降，验证二者必要性。
- BLEU作为相似度度量优于Jaccard等传统方法，尤其在长会话中（如Last.fm）。
关键发现
- 数据稀疏性处理：SPARE的图稀疏化策略在电商数据（Tmall、RetailRocket）中更有效，而音乐数据（Last.fm）需保留更多连接以缓解流行度偏差。
- 可扩展性：SPARE的图构建策略可迁移至其他模型（如S²-DHCN），提升其性能并减少训练时间。
结论与价值
- 科学价值：
- 提出首个基于最短路径的全局物品图构建方法，为GNN在SBR中的高效应用提供新思路。
- 开创性地将监督对比学习引入SBR，通过数据驱动的样本挖掘提升表示学习质量。
- 应用价值：
- 适用于电商、音乐等实时推荐场景，尤其适合匿名用户会话的短期意图捕捉。
- 开源代码（GitHub）确保可复现性，促进后续研究。
研究亮点
- 方法创新：
- SPARE图构建：通过最短路径实现“去噪”与“信息聚合”的统一。
- 监督对比学习：结合BLEU度量的负样本挖掘策略。
- 性能突破：在多项指标上刷新SOTA（state-of-the-art），同时降低计算成本。
- 普适性：策略可泛化至其他图模型，如实验中对S²-DHCN的增强（MRR提升4.62%）。
其他价值
- 案例研究：以Last.fm用户会话为例，展示SPARE如何通过快捷连接捕捉跨品类兴趣（如摇滚与古典音乐的联系），而传统方法仅能建模局部序列关系。
- 超参数分析：详细探讨了阈值 ( \mu )、对比学习权重 ( \beta ) 等对性能的影响，为实际应用提供调优指导。
SPARE通过图结构优化与对比学习的结合，为会话型推荐系统提供了高效、可解释的解决方案，兼具理论与实用意义。