跳转至

SessionRec：从预测下一个物品改为预测下一个 session

Fidelity: 核心机制复现。真实执行 session 内聚合、session 间 Transformer、多正例 next-session retrieval，以及 session 内曝光负例排序损失；私有特征与 ANN 服务未复刻。

论文信息

项目 内容
论文链接 arXiv 2502.10157
公司/机构 Meituan
首次公开日期 2025-02-14（arXiv v1）
原文开源代码 否：论文未提供官方/作者代码（核查日期：2026-08-09）
Adapter sessionrec
本地复现代码 src/auto_research/reproductions/sessionrec/

原始论文总结

背景与主要改动

逐物品 next-item 训练把同一消费意图中的多个物品硬排成先后标签，也无法把“下一次访问会同时消费的一组物品”作为多正例。SessionRec 先由 Item-based Session Encoder（ISE）把一次访问中的物品聚合为 session token，再由 Session-based Sequence Encoder（SSE）建模跨 session 兴趣迁移，最终让一个 query 同时召回下一 session 的所有正例。原文比较了 pooling/attention/Transformer 等 ISE，均值池化效果最好；SSE 可用 Transformer 或 HSTU。

flowchart LR
  E["曝光日志 + session 边界"] --> I["ISE：session 内 item mean pooling"]
  I --> S["SSE：session sequence Transformer/HSTU"]
  S --> Q["next-session query"]
  Q --> R["多正例 sampled CE / ANN retrieval"]
  E --> N["next-session 内未点击曝光"]
  N --> L["hard-negative rank loss"]
  R --> T["总损失"]
  L --> T

原论文关键图

SessionRec：从预测下一个物品改为预测下一个 session 原论文 Figure 2

原论文 Figure 2（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

均值 ISE 与 SSE 为：

\[ s_t=\frac{1}{|S_t|}\sum_{i\in S_t}e_i,\qquad q_t=\operatorname{SSE}(s_1,\ldots,s_t)_{t}. \]

下一 session 的全部物品构成正例集合 \(P_{t+1}\)，曝光但未发生正反馈的物品构成困难负例 \(N_{t+1}\)：

\[ \mathcal L=\mathcal L_{multi\text{-}positive\ retrieval} +\alpha\frac{1}{|P||N|}\sum_{p\in P,n\in N}\log(1+e^{q^\top e_n-q^\top e_p}). \]

本地训练从多正例中轮采一个 CE target，并保留整个正例集合用于评估；困难负例直接来自同一 session 的真实未点击曝光，不从全库伪造。

论文离线与线上效果

KuaiSAR 的 leave-one-session-out 实验中，SessionRec-HSTU 的 Recall@500 / NDCG@500 为 0.3318 / 0.1287；HSTU 为 0.2009 / 0.0701，HSTU+ 为 0.2212 / 0.0785。

Meituan 首页替换线上 SASRec，7 天 A/B：Pay PV +0.603%，PVCTCVR +0.564%。

本地复现

本地对照口径：基线是等预算的扁平 Item Transformer；实验组是 SessionRec Transformer；NDCG@20 从 0.004718 降至 0.003678（-22.05%）。这是 session 建模消融；DIN 未在 KuaiRand session 任务中参与比较。

使用已下载的 KuaiRand-Pure 标准流量曝光日志：按 30 分钟间隔切 session，is_click=1 或 long_view=1 为正反馈，同 session 其余曝光作为困难负例。逐用户最后两个有效 session 分别作 validation/test；与扁平 item Transformer 做相同维度、层数、步数和候选采样预算的对照。这里没有用 MovieLens，因为原论文明确指出它缺少 session 与负曝光。

先在 seed 42 的 validation 上搜索论文建议的小权重 \(\alpha\in\{0,0.01,0.1\}\)；0 与 0.01 的 NDCG@20 同为 0.002856，选择保留困难负例目标的 0.01，不根据 test 反选。

Method Recall@20 mean ± std NDCG@20 mean ± std train+eval seconds
Item Transformer 0.011894 ± 0.002272 0.004718 ± 0.000924 11.32
SessionRec Transformer 0.009302 ± 0.001201 0.003678 ± 0.000640 10.53

SessionRec 的 NDCG@20 相对低 22.05%，仅 1/3 seeds 正向，因此本地没有复现论文增益。当前子集每个用户只有少量有效 session，且短视频 session 内兴趣可能并不单一；均值 ISE 会损失细粒度顺序，都是合理解释，但不能从现有实验断言因果。结构化指标见 metrics/kuairand-pure-seeds42-44.json。

pip install -e '.[neural-recs]'
for seed in 42 43 44; do
  AUTO_RESEARCH_SESSIONREC_ROWS=350000 \
  AUTO_RESEARCH_SESSIONREC_USERS=2000 \
  AUTO_RESEARCH_SESSIONREC_STEPS=180 \
  auto-research reproduce --paper sessionrec --dataset-dir data --seed "$seed"
done

数据压缩包、展开文件、逐次运行和 checkpoint 均由 .gitignore 排除；Git 只保存复核后的 JSON 指标。