ACM 2017
本篇文章在 SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS 的基础上加入了用户标识属性，并基于分层RNN建模，应用于用户会登陆的情况（如音乐流服务等）。
Introduction
本文提出的模型可以处理：
- 会话感知的推荐系统，当存在用户标识时，将信息从以前的用户会话传播到下一个用户会话，从而提高推荐的准确性。
- 基于会话的推荐系统，即没有用户标识时的推荐系统。
该算法基于分层RNN，其中一个用户会话结束时，较低级别RNN的隐藏状态作为输入传递给较高级别RNN，目的是预测下一个会话中较低RNN的隐藏状态的良好初始化（即良好的上下文向量）。
Model
下图为文章中给出的模型图：
Graphical representation of the proposed Hierarchical RNN model for personalized session-based recommendation. The model is composed of an hierarchy of two GRUs, the session-level GRU (GRUses ) and the user-level GRU (GRUusr ). The session-level GRU models the user activity within sessions and generates recommendations. The user-level GRU models the evolution of the user across sessions and provides personalization capabilities to the session-level GRU by initializing its hidden state and, optionally, by propagating the user representation in input.
其中，会话级GRU的每一个节点对应一个user，最开始输入该user的session1的s1（即session序列的第一个节点），并将其输出的h以及会话的下一个节点输入下一个节点（其实是该节点本身，类似于自循环），每个节点输出的prediction为对下一次点击的预测。
当一个用户的所有session结束后，由用户级GRU对下一个用户的会话级GRU进行初始化（两种方式）。
mini-batch
手绘流程
本模型的Loss Function使用TOP1。
Result
作者将该模型与baseline进行了多方面的对比，具体可见原论文。
