Uma Pesquisa sobre Sistemas Recomendadores Baseados em Sessão

Sistemas recomendadores (SRs) têm desempenhado um papel cada vez mais importante para consumo informado, serviços e tomada de decisões na era da sobrecarga de informação e economia digitalizada. Nos últimos anos, sistemas recomendadores baseados em sessão (SRBSs) emergiram como um novo paradigma de SRs. Diferentemente de outros SRs, como SRs baseados em conteúdo e SRs baseados em filtragem colaborativa, que geralmente modelam preferências de usuários de longo prazo, porém estáticas, os SRBSs visam capturar preferências de usuários de curto prazo, mas dinâmicas, para fornecer recomendações mais oportunas e precisas, sensíveis à evolução de seus contextos de sessão. Embora os SRBSs tenham sido intensivamente estudados, não existem declarações de problemas unificadas para SRBSs, nem uma elaboração aprofundada das características e desafios dos SRBSs. Também não está claro em que medida os desafios dos SRBSs foram abordados e qual é a paisagem geral de pesquisa dos SRBSs. Esta revisão abrangente dos SRBSs aborda os aspectos acima explorando profundamente as entidades de SRBS (por exemplo, sessões), comportamentos (por exemplo, cliques dos usuários em itens) e suas propriedades (por exemplo, duração da sessão). Propomos uma declaração de problema geral dos SRBSs, resumimos as características de dados diversificadas e desafios dos SRBSs, e definimos uma taxonomia para categorizar a pesquisa representativa de SRBS. Finalmente, discutimos novas oportunidades de pesquisa nesta área emocionante e vibrante.