传统推荐系统通常根据用户的身份标识信息和用户在此网站长期的历史交互行为来构建用户的画像特征,以便充分挖掘该用户的兴趣,并向该用户进行个性化的推荐。这些方法通常只关注用户的长期静态偏好,将用户的历史交互序列分解为多个静态的用户-物品记录,忽略了用户偏好随时间的转移。此外,在某些场景中,用户的身份标识信息可能无法利用。例如,一些用户非常重视隐私问题,通常情况下会拒绝提供本人相关的身份标识信息,或者通过匿名的方式访问应用系统。在此场景下,依赖于用户身份标识的传统推荐算法将不再适用。一种有效的解决方式是将用户从登录到退出应用系统的这段时间内与系统进行交互得到的物品序列组织为会话,将会话作为推荐的基本单位。会话型推荐系统基于用户的当前会话预测用户下一次可能的点击。会话感知型推荐系统是一种特殊形式的会话型推荐系统,同时考虑用户在当前会话中的短期行为以及历史会话中隐含的长期或一般偏好,根据用户的历史会话和当前会话预测用户下一次可能的点击,以达到更好的推荐效果。尽管现有的会话感知型推荐方法已经在各自的应用领域取得了卓有成效的成果,但是它们仍存在某些不足。一方面,这些方法通常将会话建模成序列,只对两个相邻物品之间的单向转移关系进行建模,难以捕捉在序列上彼此远离的物品之间的关系;并且它们也忽略了账号在物品上的停留时间这类辅助信息的影响。另一方面,这些方法通常默认将一个账号看作一个个体来对待,面向单用户提出推荐建议,忽略了现实生活中普遍存在的共享账号场景。针对以上问题,本文提出了一种基于多用户共享账号的会话感知型推荐模型——MISS（Multi-user Identification Network for Shared-account Session-aware Recommendation）,能够根据账号的历史会话和当前会话识别不同潜在用户和当前用户,从而针对当前用户进行个性化推荐。MISS模型主要包含两步。第一步,提出了一个停留图神经网络（Dwell Graph Neural Network,DGNN）,将系统中每个账号的所有会话按照一定的规则构建成加权有向图。考虑到用户在物品上的停留时间中隐含的偏好程度信息,将物品停留时间融入了会话图的构建过程。然后使用图神经网络捕捉在会话图中物品之间复杂的转移关系,以生成所有会话对应的特征向量。第二步,为了识别共享账号中的不同潜在用户,并对当前用户进行个性化推荐,提出了一个多用户识别网络（Multi-user Identification Network,MIN）。首先假设账号中有M个潜在用户,对于账号中的每个用户,使用自注意力机制计算每个历史会话属于该用户的可能性权值,然后对所有会话向量进行加权求和,以此得到该用户的一般偏好特征。之后,通过比较当前会话中的当前用户偏好与潜在用户特征向量,计算每个潜在用户是当前用户的可能性权值,得到当前用户的长期偏好特征。最后,将当前会话中用户的短期行为目的与学得的用户一般偏好特征向量拼接,得到最终的当前用户特征向量,进而完成对当前用户的个性化推荐任务。本文的主要工作及贡献概括如下:1.本文提出了基于共享账号的会话感知型推荐的新任务,并针对该问题设计了一个完整的模型框架MISS。该模型能够有效捕捉账号的历史会话和当前会话中的物品之间的复杂转移关系以提取会话特征,并根据账号会话特征识别共享账号中的不同潜在用户,提取当前用户的兴趣偏好特征,对当前用户进行真正的个性化推荐,从而提高推荐系统的性能。2.本文设计了一种会话特征提取方法——停留图神经网络,以及基于自注意力机制的多用户识别网络。停留图神经网络跳出了传统的序列建模思路,将账号会话建模成图,并将用户在物品上的停留时间这类辅助信息与模型相结合,以更好地捕捉物品之间的复杂转移关系;利用停留图神经网络从账号的历史会话和当前会话中提取的兴趣偏好特征,多用户识别网络使用自注意力机制识别共享账号中的不同潜在用户和当前用户,以建模当前用户的长期偏好特征和短期行为目的,从而对当前用户进行真正的个性化推荐。3.本文基于海信互联网电视平台收集的观看日志构建了两个具有共享账号特征的数据集,并进行了大量的实验分析。实验结果显示,MISS模型在HR和MRR这两个评价指标上均优于所选取的基线方法。此外,本文还设计了消融实验来验证模型中两个关键模块的性能,并分析了超参数M对推荐效果的影响。