基于会话的推荐系统是一种推荐引擎，它侧重于分析用户在单个会话中的互动，而不是依赖长期用户历史记录。这些系统优先考虑用户在短时间内访问平台期间所采取的行动序列（例如，点击、浏览、购买），例如浏览电子商务网站或流媒体服务。与依赖用户画像或历史数据的传统推荐器不同，基于会话的模型使用循环神经网络 (RNN)、Transformer 或马尔可夫链等技术，根据用户当前活动预测用户接下来可能互动的项目。例如，如果用户快速连续浏览了笔记本电脑和鼠标，即使该用户是匿名或新用户，系统也可能会推荐键盘。
基于会话的推荐器在用户身份识别有限或历史数据稀疏的场景下特别有用。例如，在电子商务中，许多用户不登录进行浏览，这使得依赖用户 ID 的传统协同过滤效果不佳。同样，新闻网站或流媒体服务等媒体平台经常面临新用户或新内容的“冷启动”问题。基于会话的方法通过关注实时行为来解决这些挑战。它们在用户偏好快速变化的背景下也很有价值，例如在节日购物或热门新闻周期期间。通过强调即时互动，这些系统比需要数周用户历史数据的模型更能快速适应不断变化的兴趣。
具体的用例突显了它们的优势。在线零售商使用基于会话的系统在短暂的浏览会话中推荐产品，减少对 cookie 或登录数据的依赖。流媒体平台利用它们根据用户当前的观看序列推荐内容——例如在用户连续观看两部动作片后推荐惊悚片。这些系统在隐私敏感环境中也表现出色，因为它们最大限度地减少了长期跟踪。然而，它们需要强大的序列数据处理能力；Transformer 中的注意力机制等技术有助于捕获用户行为中的复杂模式。虽然矩阵分解等传统方法难以处理稀疏或匿名数据，但基于会话的模型优先考虑即时性和上下文，这使得它们成为满足动态、实时推荐需求的理想选择。