序列推荐本质是根据用户在时序上的行为进行下一次物品推荐预测的任务，由于用户偏好和行为的动态性，在时序上完成精准预测和营销是相当困难的。
为了获得准确的项目嵌入和考虑项目的复杂转换，AAAI 2019会议上提出了一种新的方法，即基于图神经网络的会话推荐系统，SR-GNN为简写。在该方法中，会话序列被建模为图形结构数据。基于会话图，GNN可以捕获复杂的物品的转换，这是以往传统顺序方法难以揭示的。然后，每一个会话（Session）都用一个注意力网络表示全局偏好和该会话当前兴趣的组成。论文在两个真实数据集上进行的大量实验表明，SR-GNN明显优于目前最先进的基于会话的推荐方法。
上图是一个典型Session序列推荐的样例，假设用户连续购买或者访问了前四个商品，系统需要预测当前用户可能感兴趣的下一个物品。
下图说明了论文所提出的SRGNN方法的工作流：
- 将所有会话序列构建有向会话图，其中每个会话序列可以被视为一个子图。
- 依次处理每个会话图，通过门控图神经网络（GGNN）得到每个会话图中所有节点的潜在向量。
- 利用注意力机制将上一步得到的会话向量转化为用户的全局偏好和该会话中当前兴趣的组合。
- 对于每个会话，预测每个商品被下一次点击的概率。
此篇论文的主要创新是：
- 将分离的会话序列建模为图形结构数据，并使用图形神经网络来捕获复杂的项目转换。
- 为了生成基于会话的推荐，模型不依赖于用户表示，而是使用会话嵌入，它可以仅仅根据每个会话中涉及的项的潜在向量来获得。
上述就是SR-RNN模型论文的一个基本介绍，关于论文和模型的细节将在下篇中详细解读。
