一、这篇论文解决什么问题

session-based recommendation：用户未登录状态下, 仅仅依赖匿名会话进行用户下一个行为预测的一种算法（session-based recommendation）

作者认为此论文发表前其他方法的不足：

1. 如果一个session内用户行为数据不多，效果不好

2. 只注意到了行为序列中两个连续item的转移，没有注意到全局的item转移

作者如何克服上述不足：GNN

二、这篇论文的几个核心点

如何构造图

每一个session都是一个图，构造图就是构造连接矩阵：

这里需要注意的是：

1. 构造时，边的权重归一化了

2. 每个连接矩阵都是每个session特有的，不参与参数更新，对这个session来说是固定的，而GNN中的权重W是所有session共用的，是需要在训练的时候更新的

如何得到item的embedding

在每个session的图中，按照如下公式进行计算：在每个时间步，这个session的节点一起更新。当更新所有的子图直到收敛时，就可以得到每个节点的vetcor了，也就是item的embedding结果

如何得到一个session的embedding

结合局部和全局embedding：

1. 局部的embbeding，最后一次点击的item的embedding

2. 全局的embedding，soft-attention机制

预测：训练好之后，每个item的embedding是固定的了，可以直接拿来用，然后再得到当前session的embedding，点积就是得分，最后通过softmax得到item的预测概率

训练：损失函数为交叉熵

三、关于模型的几点分析

1. 连接矩阵的构造方式

SR-GNN：针对每个session构造，实际上有两个矩阵

SR-GNN-NGC：在所有session的基础上构造全局的连接矩阵，实际上有两个矩阵

SR-GNN-FC：所有high-order关系都表示成1，其他表示成0，形成的矩阵和SR-GNN的矩阵放在一起（把high-order关系原来的0替换成1），实际上有两个矩阵（什么是high-order关系：[v1, v2, v3, v4]这个序列，v1->v2就是1-order，v1->v3就是2-order，v1->v4就是3-order）

实验说明，SR-GNN效果最好，SR-GNN-GNC中全局对本来在某session内出/入度高的边影响较大，尤其是各个session中这个出/入度差异大的时候，这个影响更明显，SR-GNN-FC中将high-order的关系表示成连接是不太合理的，影响模型效果。

2. session embedding方式

SR-GNN：局部embedding + 全局embedding

SR-GNN-L：局部embedding

SR-GNN-AVG：session内item的embedding的平均

SR-GNN-ATT：全局embedding

实验说明，依然是SR-GNN最好，证明了结合的好处；SG-GNN-ATT优于SG-GNN-AVG，说明session内部会存在噪声行为，attention机制可以提取有意义的行为；SR-GNN-L和SG-GNN-ATT接近，都优于SG-GNN-AVG，说明当前兴趣点和长时间的偏好都很重要，其实就是SR-GNN这种都考虑了的模型更好。

3. 模型的稳定性

SR-GNN以及几种变种，在长短session上效果都不错，稳定性很高

四、对这篇论文的感受

优雅

建模优雅，对模型的变种和分析也优雅，就感觉这个事儿这样做是恰当的。

PS：本文的所有公式和图表都来自于论文：Session-based Recommendation with Graph Neural Networks，有理解不对的地方，欢迎指正