基於會話推薦 是什麼？

Session-based Recommendation — 基於會話推薦 的完整解釋

基於會話推薦利用使用者單次瀏覽會話內的行為序列，預測使用者下一步可能感興趣的項目，無需使用者歷史資料。

容易混淆

傳統協同過濾 傳統協同過濾像個老朋友，需要很了解你的長期偏好（看過什麼電影、買過什麼書）才能推薦。 基於會話推薦則像個敏銳的新店員，就算你是新客，只要看你當下的瀏覽行為，就能即時推薦。

最關鍵的區別：先看它是在比意思、比結構，還是在做任務輸出。

記住這句就好

只看這一段逛站行為來推薦，就是基於會話推薦。

實際案例

使用者先看藍牙耳機，再看保護殼，系統就能順勢推同系列配件。 影音平台看到你連續點開兩部科幻片，就先推類似題材的作品。

算法與應用

常見做法會把 session 內的點擊序列丟進 RNN、Transformer 或圖模型。 它重視短期興趣和即時上下文，特別適合冷啟動或匿名使用者。

情境判斷

Q1（直覺題）： 新客人第一次進站，沒有歷史資料，還能推薦嗎？

→ 可以。這正是它擅長的場景，只看當下行為也能做推薦。

Q2（判斷題）： 如果你非常在意長期偏好，例如年齡、地區、過去購買紀錄，還只看 session 嗎？

→ 看情況。若長期偏好很重要，通常要和長期推薦系統一起用。

常見問題

基於會話的推薦系統與傳統推薦系統有什麼區別？

基於會話的推薦系統與傳統推薦系統的主要區別在於，基於會話的推薦系統僅依賴於使用者當前會話內的行為序列來進行推薦，而傳統推薦系統則需要使用者的長期歷史資料或個人資訊。因此，基於會話的推薦系統能夠更好地保護使用者隱私，並解決新使用者和新項目的冷啟動問題。

如何評估基於會話的推薦系統的效能？

常用的評估指標包括：1) 點擊率 (Click-Through Rate, CTR)：衡量使用者點擊推薦項目的比例。2) 召回率 (Recall)：衡量模型找到使用者感興趣的項目的能力。3) 精度 (Precision)：衡量模型推薦的項目中，使用者真正感興趣的項目的比例。4) 平均倒數排名 (Mean Reciprocal Rank, MRR)：衡量模型將使用者感興趣的項目排在前面的能力。5) 歸一化折損累積增益 (Normalized Discounted Cumulative Gain, NDCG)：衡量模型推薦結果的排序質量。

基於會話的推薦系統有哪些挑戰？

基於會話的推薦系統面臨的挑戰包括：1) 會話資訊有限：會話通常較短，包含的資訊有限，難以準確推斷使用者的意圖。2) 使用者行為複雜：使用者行為受到多種因素的影響，難以建模。3) 冷啟動問題：對於新的使用者和項目，缺乏歷史資料，難以進行推薦。4) 探索與利用的平衡：需要在探索新項目和利用已知資訊之間取得平衡。5) 多樣性：推薦結果應該具有一定的多樣性，避免推薦過於相似的項目。