세션 전체의 활용
마지막 클릭과 비슷한 항목만 추천하면 그 이전 행동이 주는 문맥을 놓칠 수 있다. 초기 연구는 현재 세션의 행동을 순서대로 처리해 다음 행동의 추천에 활용했다.
세션 병렬 학습
여러 세션을 병렬 미니배치로 학습한다. 한 세션이 끝나면 다음 세션으로 교체하고 해당 은닉 상태를 초기화해 독립적인 세션의 문맥이 섞이지 않도록 구성했다.
추천에 맞춘 손실
추천에서는 관심을 가질 상위 항목의 순위가 중요하므로 순위 손실을 사용했다. 초기 연구는 두 자료에서 기존 방법과 비교하며 일반적인 순환망을 세션 추천에 맞게 조정하는 접근을 평가했다.