这篇论文来自于电商网站etsy。
动机：在传统的item-to-item（相似物品）推荐中，用户的意图、季节性时常被忽略在建模当中。
模型：
Esty尝试了两个模型去解决这个问题。
模型1：（1）通过search session，先识别和每个物品相关的top N个queries；（2）用word2vec的skip-gram模型去训练（注：airbnb也有篇paper讨论用word2vec训练embedding）item和query embedding；（2）用KNN找临近。
模型2：对于每一个物品（item），找出所有相关的物品：在一段时间内（30–90天），所有和这个物品相关的物品（出现在同一个search session中或者曾被一起加入购物车中）。再在这些candidates里训练一个GBDT预测模型。
创新：重新定义了“相关物品”，使之融合了用户信息和时间信息。
