Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding
Simon Fraser University（西蒙弗雷泽大学）
前- $N$顺序推荐将每个用户建模为过去交互的项目序列，旨在预测用户可能在“不久的将来”交互的前- $N$排名项目。交互的顺序意味着序列模式在序列中最近的项目对下一个项目有更大的影响时起着重要的作用。在本文中，我们提出了一个卷积序列嵌入推荐模型（\emph{Caser}）作为解决方案，以满足这一要求。其思想是将最近项目的序列嵌入到时间和潜在空间中的“图像”中，并使用卷积滤波器将序列模式作为图像的局部特征进行学习。这种方法提供了一个统一和灵活的网络结构，用于捕获一般偏好和顺序模式。在公共数据集上的实验表明，Caser在各种常见的评估指标上始终优于最先进的顺序推荐方法。
2018-09-19 cs.IR cs.LG
VoteGCL: Enhancing Graph-based Recommendations with Majority-Voting LLM-Rerank Augmentation
Center for AI Research, VinUniversity（越南 Vin 大学人工智能研究中心）；The Chinese University of Hong Kong（香港中文大学）；RMIT University（皇家墨尔本理工大学）；VNU University of Engineering and Technology（越南工程与技术大学）
本文提出利用LLM和物品文本描述增强交互数据，通过多数投票生成高置信度合成用户-物品交互，结合图对比学习框架缓解分布偏移和流行度偏差，实验显示提升准确率并减少流行度偏差。
2026-04-21 cs.IR cs.LG
Deep Learning for Sequential Recommendation: Algorithms, Influential Factors, and Evaluations
Shanghai University of Finance and Economics（上海财经大学）；Northeastern University（东北大学）
在顺序推荐领域，基于深度学习（DL）的方法在过去几年中受到了很多关注，并超过了基于马尔可夫链和基于因子分解的传统模型。然而，很少有系统的研究，特别是关于如何设计一个有效的DL模型的顺序推荐。因此，本文针对上述问题，重点研究了基于DL的顺序推荐系统。具体来说，我们说明了顺序推荐的概念，提出了一个现有的算法分类的三种类型的行为序列，总结了影响基于DL的模型的性能的关键因素，并进行相应的评估，以证明这些因素的影响。我们通过系统地概述这一领域的未来方向和挑战来结束这一调查。
2020-10-10 cs.IR cs.LG
Measuring Recency Bias In Sequential Recommendation Systems
Seoul National University（首尔大学）
本研究针对序列推荐系统的近因偏差问题，提出了一种量化该偏差的新型指标，实验证实高近因偏差会损害推荐性能，缓解后可提升所有评估模型的表现，凸显了测量近因偏差的重要性。
2024-09-15 cs.IR cs.LG
Sequential Data Augmentation for Generative Recommendation
Snap Inc.（Snap公司）
本文研究了生成推荐中数据增强的影响，提出了一种系统化的框架GenPAS，通过三种受偏步骤统一了多种增强策略，提升了模型的准确率、数据效率和参数效率。
2026-05-20 cs.IR cs.LG
Sequential Recommendation with Dual Side Neighbor-based Collaborative Relation Modeling
Shanghai Jiao Tong University（上海交通大学）；Microsoft Research Asia（微软亚洲研究院）
顺序推荐任务的目的是根据用户的历史行为预测用户对未来项目的偏好。用户行为的顺序意味着在行为历史中嵌入了丰富的序列模式，这些模式揭示了用户兴趣的潜在动态。提出了各种顺序推荐方法来建模动态用户行为。然而，大多数模型只考虑了用户自身的行为和动态，而忽略了用户和项目之间的协作关系，即，用户的相似品味或物品的相似属性。由于没有对协作关系进行建模，这些方法缺乏推荐多样性，因此可能具有更差的性能。更糟糕的是，大多数现有的方法只考虑用户端的序列，而忽略了项目端的时间动态。为了解决目前的顺序推荐模型的问题，我们提出了顺序协作推荐（SCoRe），有效地挖掘高阶协作信息，使用跨邻居关系建模，并利用用户端和项目端的历史序列，以更好地捕捉用户和项目的动态。在三个真实世界的大规模数据集上的实验表明，该模型优于强基线。
2019-11-10 cs.IR cs.LG
Sequential Recommendation with Self-Attentive Multi-Adversarial Network
Renmin University of China（中国人民大学）；Alibaba Group（阿里巴巴集团）
最近，深度学习在顺序推荐任务上取得了重大进展。现有的神经序列预测器通常采用最大似然估计（MLE）训练的生成方式。当涉及到上下文信息（称为因素）时，很难分析每个单独的因素何时以及如何影响最终的推荐性能。为此，我们采取了一个新的视角，将对抗学习引入序列推荐。在本文中，我们提出了一个多因素生成对抗网络（MFGAN）显式建模上下文信息的顺序推荐的效果。具体来说，我们提出的MFGAN有两种模块：一个基于transformer的生成器，以用户行为序列为输入，推荐可能的下一个项目，和多个特定因素的判别器，从不同因素的角度来评估生成的子序列。在参数学习方面，采用经典的策略梯度方法，并利用鉴别器的奖励信号指导生成器的学习。我们的框架是灵活的，将多种因素的信息，并能够跟踪每个因素如何有助于随着时间的推移的建议决策。在三个真实世界的数据集上进行的大量实验表明，我们提出的模型在有效性和可解释性方面优于最先进的方法。
2020-05-21 cs.IR cs.LG
CSRec: Rethinking Sequential Recommendation from A Causal Perspective
University of Maryland, College Park（马里兰大学帕克分校）
本文提出因果序列推荐框架CSRec，通过预测推荐物品接受概率并回溯决策成因，隔离推荐系统等因素影响，且可融入现有方法，实验证明其显著优于基线。
2024-08-23 cs.IR cs.LG
Data Augmentation Strategies for Improving Sequential Recommender Systems
Seoul National University（首尔国立大学）
最近，顺序推荐系统通过利用基于深度学习（DL）的方法实现了显著的性能改进。然而，尽管已经介绍了各种基于DL的方法，其中大多数只关注网络结构的转换，忽略了其他影响因素的重要性，包括数据增强。显然，基于DL的模型需要大量的训练数据，以便很好地估计参数并实现高性能，这导致早期的努力通过计算机视觉和语音领域的数据增强来增加训练数据。在本文中，我们试图找出各种数据增强策略可以提高顺序推荐系统的性能，特别是当训练数据集不够大。为此，我们提出了一组简单的数据增强策略，所有这些策略都以直接损坏的方式转换原始项序列，并描述了数据增强如何改变性能。在最新的基于DL的模型上进行的大量实验表明，应用数据增强可以帮助模型更好地泛化，特别是当训练数据量很小时，它可以显着有效地提高模型的性能。此外，它表明，我们提出的策略可以提高性能到一个更好的或有竞争力的水平，现有的战略建议在以前的作品。
2022-03-26 cs.IR cs.LG
Graph Augmentation for Recommendation
University of Hong Kong（香港大学）；Aalborg University（奥尔堡大学）
针对推荐系统中对比学习数据噪声及GNN过平滑问题，提出GraphAug框架，利用GIB正则化生成去噪自监督信号并自适应调整对比视图，显著提升推荐性能。
2024-03-25 cs.IR cs.LG
Determinantal Point Process Likelihoods for Sequential Recommendation
Australian National University（澳大利亚国立大学）；Data61, CSIRO（联邦科学与工业研究组织数据61研究所）
顺序推荐是学术研究中的热门任务，并且接近现实世界的应用场景，其中目标是基于他/她先前的动作序列来预测用户的下一个动作。在推荐系统的训练过程中，损失函数在指导推荐模型的优化，为用户提供准确的推荐方面起着至关重要的作用。然而，大多数现有的顺序推荐技术的重点是设计算法或神经网络架构，并没有努力定制损失函数，自然适合顺序推荐系统的实际应用场景。基于排序的损失，如交叉熵和贝叶斯个性化排序（BPR）被广泛应用于顺序推荐领域。我们认为，这样的目标函数有两个固有的缺点：i）在这些损失公式中忽略了序列元素之间的依赖关系; ii）而不是平衡准确性（质量）和多样性，只生成准确的结果被过度强调。因此，我们提出了两个新的损失函数的基础上的决定点过程（DPP）的可能性，可以自适应地应用于估计后续项目或项目。DPP分布的项目集捕获时间动作之间的自然依赖关系，DPP内核的质量与多样性分解推动我们超越面向精度的损失函数。在三个真实数据集上使用所提出的损失函数的实验结果表明，在质量和多样性度量方面，与最先进的顺序推荐方法相比，有明显的改进。
2022-04-25 cs.IR cs.LG
S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization
School of Information, Renmin University of China（中国人民大学信息学院）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Beijing Key Laboratory of Big Data Management and Analysis Methods（大数据管理与分析方法北京市重点实验室）；Meituan-Dianping Group（美团点评集团）；Université de Montréal（蒙特利尔大学）
最近，利用深度学习的顺序推荐取得了重大进展。现有的神经顺序推荐模型通常依赖于项目预测损失来学习模型参数或数据表示。然而，用这种损失训练的模型容易遭受数据稀疏问题。由于它过分强调最终的性能，上下文数据和序列数据之间的关联或融合没有被很好地捕获和利用顺序推荐。为了解决这个问题，我们提出了模型S^3-Rec，代表顺序推荐的自监督学习，基于自注意神经结构。我们的方法的主要思想是利用内在的数据相关性来获得自我监督信号，并通过预训练方法来增强数据表示，以改善顺序推荐。对于我们的任务，我们设计了四个辅助的自我监督的目标，学习属性，项目，子序列，序列之间的相关性，利用互信息最大化（MIM）原则。MIM提供了一种统一的方法来表征不同类型数据之间的相关性，这特别适合我们的场景。在六个真实数据集上进行的大量实验表明，我们提出的方法优于现有的最先进的方法，特别是当只有有限的训练数据。此外，我们还将自监督学习方法推广到其他推荐模型中，也提高了它们的性能。
2020-08-18 cs.IR cs.LG
ContrastVAE: Contrastive Variational AutoEncoder for Sequential Recommendation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce（赛富时）
顺序推荐是一种利用用户行为序列中丰富信息的推荐方法，在实际推荐系统中得到了广泛的应用。然而，目前的方法存在以下问题：1）用户-项目交互的稀疏性，2）顺序记录的不确定性，3）长尾项目。在本文中，我们建议将对比学习纳入变分自编码器的框架中，以同时应对这些挑战。首先，我们介绍了一种新的训练目标，将传统的单视图ELBO扩展到双视图的情况下，并从理论上建立了VAE和对比学习之间的连接从双视图的角度。然后，我们提出了对比变分自编码器（简称ContrastVAE），一个两分支的VAE模型与对比正则化作为一个实施例的ContrastELBO顺序推荐。我们进一步介绍了两个简单而有效的增强策略，命名为模型增强和变分增强，以创建一个序列的第二个视图，从而使对比学习成为可能。在四个基准数据集上的实验证明了ContrastVAE和所提出的增强方法的有效性。代码可在https://github.com/YuWang-1024/ContrastVAE上获得
2022-12-05 cs.IR cs.LG
Is News Recommendation a Sequential Recommendation Task?
新闻推荐通常被建模为一个顺序推荐任务，它假设历史点击新闻具有丰富的短期依赖性。然而，在新闻推荐场景中，用户通常对新闻信息的时间多样性有很强的偏好，并且可能不倾向于连续点击类似的新闻，这与电子商务推荐等许多顺序推荐场景有很大不同。在本文中，我们研究新闻推荐是否可以被视为一个标准的顺序推荐问题。通过在两个真实数据集上的大量实验，我们发现将新闻推荐建模为顺序推荐问题是次优的。为了应对这一挑战，我们进一步提出了一个时间多样性感知的新闻推荐方法，可以促进候选新闻是从最近点击的新闻，这可以帮助预测未来的点击更准确。实验表明，我们的方法可以不断提高各种新闻推荐方法。
2021-08-26 cs.IR
Debiasing the Cloze Task in Sequential Recommendation with Bidirectional Transformers
University of Louisville（路易斯维尔大学）；Amazon（亚马逊）；Meta
双向Transformer架构是最先进的顺序推荐模型，它使用基于完形填空任务的双向表示能力，也称为“完形填空”。屏蔽语言建模。后者旨在预测序列中随机掩蔽的项目。因为他们假设真正的互动项目是最相关的，暴露偏差的结果，其中具有低暴露倾向的非互动项目被认为是不相关的。最常见的方法，以减轻在建议的暴露偏差一直是逆倾向评分（IPS），其中包括降低权重的相互作用的预测在损失函数的比例，他们的暴露倾向，产生一个理论上无偏的学习。在这项工作中，我们认为，并证明IPS不扩展到顺序推荐，因为它没有考虑到问题的时间性质。然后，我们提出了一种新的倾向评分机制，理论上可以消除顺序推荐中完形填空任务的偏见。最后，我们实证证明了我们提出的方法的去偏置能力和它的鲁棒性的曝光偏差的严重程度。
2023-01-22 cs.IR cs.LG
TEA: A Sequential Recommendation Framework via Temporally Evolving Aggregations
Guangdong University of Technology（广东工业大学）；Tencent Technology (SZ) Co., Ltd.（腾讯科技（深圳）有限公司）；Cornell University（康奈尔大学）
顺序推荐的目的是在给定用户历史行为的特定时间点为用户选择最合适的项目。现有的方法通常基于马尔可夫链等基于转变的方法对用户行为序列进行建模。然而，这些方法也隐含地假设用户是彼此独立的，而没有考虑用户之间的影响。事实上，这种影响在序列推荐中起着重要的作用，因为用户的行为很容易受到其他人的影响。因此，希望聚合用户行为和用户之间的影响，这是在时间上演变的，并涉及到用户和项目的异构图。在本文中，我们将动态用户项异构图，提出了一种新的顺序推荐框架。结果，可以考虑历史行为以及用户之间的影响。为了实现这一点，我们首先形式化的顺序推荐作为一个问题，以估计条件概率给定的时间动态异构图和用户行为序列。之后，我们利用条件随机场聚合的异构图和用户行为的概率估计，并采用伪似然方法来推导出一个易于处理的目标函数。最后，我们提供了所提出的框架的可扩展和灵活的实现。在三个真实数据集上的实验结果不仅证明了该方法的有效性，而且为序列推荐提供了一些有意义的发现。
2022-07-08 cs.IR cs.LG
A Systematic Survey on Federated Sequential Recommendation
School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；The Hong Kong Polytechnic University（香港理工大学）
本文系统综述了联邦序列推荐（FedSR），在介绍其背景与挑战的基础上，从两个层面梳理现有技术，并探讨关键挑战与未来方向。
2025-02-19 cs.IR cs.LG
Lightweight Self-Attentive Sequential Recommendation
The University of Queensland（昆士兰大学）
现代深度神经网络（DNN）通过在各种顺序推荐任务上实现最先进的推荐性能，极大地促进了顺序推荐系统的开发。给定交互项的序列，现有的基于DNN的顺序排序器通常将每个项嵌入到唯一向量中以支持用户兴趣的后续计算。然而，由于潜在的大量项目，顺序推荐器的过参数化项目嵌入矩阵已经成为资源受限环境中有效部署的存储器瓶颈，例如，智能手机和其他边缘设备。此外，我们观察到，广泛使用的多头自我注意，虽然是有效的建模项目之间的顺序依赖关系，在很大程度上依赖于冗余的注意力单元，以充分捕捉全球和本地项目的项目转移模式的序列。本文介绍了一种用于顺序推荐的新型轻量级自关注网络（LSAN）。为了积极地压缩原始嵌入矩阵，LSAN利用了组合嵌入的概念，其中每个项嵌入都是通过合并从小得多的嵌入矩阵中导出的一组选定的基本嵌入向量来组成的。同时，考虑到每个项目的内在动态，我们进一步提出了一个时间上下文感知的嵌入组合方案。此外，我们开发了一种创新的双注意力网络，它在保留捕获长期和短期（即，全局和局部）项依赖性。综合实验表明，LSAN显着提高了现有的顺序排序器的准确性和内存效率。
2021-08-25 cs.IR cs.LG
Adversarial Learning Data Augmentation for Graph Contrastive Learning in Recommendation
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Tencent（腾讯）
近年来，图神经网络（GNNs）在推荐方面取得了显著的成功.为了减少数据稀疏性的影响，图对比学习（GCL）被用于基于GNN的CF方法，以提高性能。大多数GCL方法包括数据增强和对比损失（例如，InfoNCE）。GCL方法通过手工制作的图增强来构建对比对，并最大化同一节点的不同视图与其他节点的视图之间的一致性，这被称为InfoMax原则。然而，不适当的数据增强会阻碍GCL的性能。InfoMin原则，即良好的视图集共享最少的信息，并为设计更好的数据增强提供指导。在本文中，我们首先提出了一种新的数据增强（即，边缘操作包括边缘增加和边缘减少）。在此基础上，提出了一个基于信息最小化原理的对比学习框架--可学习的数据增强对比学习（LDA-GCL）。我们的方法包括数据增强学习和图对比学习，分别遵循InfoMin和InfoMax原则。在实现中，我们的方法优化了对抗损失函数，以学习数据增强和用户和项目的有效表示。在四个公共基准数据集上的实验证明了LDA-GCL的有效性。
2023-02-05 cs.IR cs.LG cs.SI
CosRec: 2D Convolutional Neural Networks for Sequential Recommendation
University of California, San Diego（加州大学圣地亚哥分校）
序列模式在构建现代推荐系统中起着重要的作用。为此，几个推荐系统已经建立在马尔可夫链和递归模型（等）之上。尽管这些顺序模型在一系列任务中已经被证明是成功的，但它们仍然难以揭示用户购买历史中嵌套的复杂关系。在本文中，我们认为，成对关系建模直接导致一个有效的表示顺序功能，并捕捉复杂的项目相关性。具体来说，我们提出了一个用于顺序推荐的2D卷积网络（CosRec）。它将一系列项编码为三向张量;使用2D卷积滤波器学习局部特征;并以前馈方式聚合高阶交互。在两个公共数据集上的定量结果表明，我们的方法优于传统方法和最近的基于序列的方法，在各种评估指标上实现了最先进的性能。
2019-08-27 cs.IR cs.LG
Improving Sequential Recommendation Consistency with Self-Supervised Imitation
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
大多数顺序推荐模型捕捉用户-项目交互历史中连续项目的特征。虽然有效，但它们的表示表达能力仍然受到稀疏学习信号的阻碍。因此，顺序推荐器容易做出不一致的预测。在本文中，我们提出了一个模型，SSI，以提高自我监督模仿的顺序推荐一致性。准确地说，我们提取的一致性知识，利用三个自我监督的预训练任务，其中时间一致性和人物角色一致性捕捉用户交互动态的时间顺序和人物角色的敏感性，分别。此外，为了提供具有全局视角的模型，通过最大化全局和局部交互序列之间的互信息来引入全局会话一致性。最后，为了综合利用一致性增强知识的所有三个独立方面，我们建立了一个集成的模仿学习框架。一致性知识被有效地内化，并通过模仿传统的预测logit以及一致性增强的项目表示转移到学生模型。此外，灵活的自我监督模仿框架也可以使其他学生学习者受益。四个真实世界的数据集上的实验表明，SSI有效地优于国家的最先进的顺序推荐方法。
2021-06-29 cs.IR cs.LG
Adversarial and Contrastive Variational Autoencoder for Sequential Recommendation
Shanghai Jiao Tong University（上海交通大学）；University of Michigan-Shanghai Jiao Tong University Joint Institute（密歇根大学-上海交通大学联合学院）；School of Cyber Science and Engineering（网络空间科学与工程学院）；School of Software（软件学院）
序贯推荐作为一个新兴的研究课题，由于其重要的现实意义而受到越来越多的关注。基于深度学习和注意力机制的模型在顺序推荐中取得了良好的性能。近年来，基于变分自编码器（VAE）的生成式模型在协同过滤中显示出独特的优势。特别地，序列VAE模型作为VAE的递归版本，可以有效地捕获用户序列中项目之间的时间依赖性并执行序列推荐。然而，基于VAE的模型遭受一个共同的限制，即所获得的近似后验分布的代表性能力是有限的，从而导致生成的样本的质量较低。对于生成序列尤其如此。为了解决上述问题，在这项工作中，我们提出了一种新的方法称为对抗和对比变分自编码器（ACVAE）的顺序推荐。具体来说，我们首先介绍了在对抗变分贝叶斯（AVB）框架下用于序列生成的对抗训练，这使得我们的模型能够生成高质量的潜变量。然后，我们使用对比损失。潜变量将能够通过最小化对比损失来学习更多个性化和显著的特征。此外，在对序列进行编码时，我们采用了递归和卷积结构来捕获序列中的全局和局部关系。最后，我们在四个真实世界的数据集上进行了广泛的实验。实验结果表明，我们提出的ACVAE模型优于其他国家的最先进的方法。
2021-03-19 cs.IR cs.LG
Dynamic Memory based Attention Network for Sequential Recommendation
Texas A&M University（德克萨斯A&M大学）；Alibaba Group（阿里巴巴集团）；The Hong Kong Polytechnic University（香港理工大学）
顺序推荐在各种在线服务中变得越来越重要。它旨在从用户的历史交互中建模用户的动态偏好，并预测他们的下一个项目。真实系统上积累的用户行为记录可能会很长。这些丰富的数据为跟踪用户的实际兴趣带来了机会。先前的努力主要集中在基于相对较新的行为提出建议。然而，由于早期的交互可能会影响用户当前的选择，因此整体顺序数据可能无法得到有效利用。此外，由于现实世界的系统需要短的响应时间，因此在为每个用户执行推理时扫描整个行为序列变得不可容忍。为了弥补这一不足，我们提出了一种新的长序列推荐模型，称为动态基于记忆的注意力网络（DMAN）。它将整个长行为序列分割成一系列子序列，然后训练模型并维护一组内存块以保存用户的长期兴趣。为了提高记忆保真度，DMAN动态地抽象每个用户的长期兴趣到自己的记忆块，通过最小化的辅助重建损失。基于动态记忆，用户的短期和长期兴趣可以显式地提取和组合的有效联合推荐。四个基准数据集的实证结果表明，我们的模型在捕获长期依赖性方面优于各种最先进的序列模型。
2021-02-18 cs.IR cs.LG
Leveraging Negative Signals with Self-Attention for Sequential Music Recommendation
Georgia Institute of Technology（佐治亚理工学院）；TU Wien（维也纳工业大学）
针对序列音乐推荐中短内容场景和会话级负反馈利用不足的问题，提出可嵌入多种深度架构的对比学习损失，用跳过曲目等负信号提升推荐效果。
2024-01-18 cs.IR cs.LG
Improving Recommendation Fairness via Graph Structure and Representation Augmentation
本文提出一种基于双重数据增强的公平推荐框架，通过识别敏感交互与敏感特征生成公平增强图和表示，并结合去偏学习在保持推荐效用的同时提升公平性。
2025-08-27 cs.IR
BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer
Alibaba Group（阿里巴巴集团）
从用户的历史行为中建模用户的动态和不断变化的偏好是推荐系统的挑战和关键。先前的方法采用顺序神经网络（例如，递归神经网络）将用户的历史交互从左到右编码为隐藏表示，以进行推荐。虽然这些方法取得了令人满意的结果，他们往往假设一个严格的顺序，这并不总是实用的。我们认为，这种从左到右的单向架构限制了历史序列表示的权力。为此，我们介绍了一个双向编码器表示从Transformers顺序推荐（BERT4Rec）。然而，在深度双向模型中，联合条件作用于左上下文和右上下文会使训练变得微不足道，因为每个项目都可以间接地“看到目标项目”。为了解决这个问题，我们使用完形填空任务训练双向模型，通过联合调节其左右上下文来预测序列中的掩蔽项。与预测序列中每个位置的下一个项目相比，完形填空任务可以产生更多的样本来训练更强大的双向模型。在四个基准数据集上的大量实验表明，我们的模型始终优于各种最先进的序列模型。
2019-08-21 cs.IR cs.LG
When and What to Recommend: Joint Modeling of Timing and Content for Active Sequential Recommendation
School of Computing, Macquarie University（麦考瑞大学计算学院）；Oracle Analytics Cloud, Oracle Corporation（Oracle公司分析云）
PASRec通过联合建模时机与内容，主动预测用户交互时间并推荐感兴趣物品，优于现有基线方法。
2025-11-24 cs.IR cs.LG
Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation
对比学习（CL）最近在推荐领域的研究中取得了丰硕的成果，因为它能够从原始数据中提取自监督信号，这与推荐系统解决数据稀疏问题的需求是一致的。基于CL的推荐模型的典型流水线是首先用结构扰动来扩充用户-项目二分图，然后最大化不同图扩充之间的节点表示一致性。虽然这种模式被证明是有效的，但性能提升的基础仍然是一个谜。在本文中，我们首先通过实验揭示，在基于CL的推荐模型中，CL通过学习更均匀分布的用户/项目表示来操作，可以隐式地减轻受欢迎程度偏差。同时，我们发现，图的扩张，这被认为是必要的，只是发挥微不足道的作用。基于这一发现，我们提出了一个简单的CL方法，放弃了图增强，而是添加均匀的噪声的嵌入空间创建对比视图。在三个基准数据集上的综合实验研究表明，尽管该方法看起来非常简单，但该方法可以平滑地调整学习表示的均匀性，并且在推荐精度和训练效率方面优于基于图增强的方法。代码发布于https://github.com/Coder-Yu/QRec。
2022-05-09 cs.IR
AsarRec: Adaptive Sequential Augmentation for Robust Self-supervised Sequential Recommendation
State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
本文提出AsarRec，通过自适应增强策略提升自监督序列推荐的鲁棒性，通过统一转换矩阵和联合优化三个目标，验证了在不同噪声水平下的有效性。
2026-04-10 cs.IR
Dual-disentangle Framework for Diversified Sequential Recommendation
针对序列推荐中用户兴趣与意图纠缠导致多样性不足的问题，提出模型无关的双解耦框架DDSRec，通过交互建模和表示学习的解耦来平衡准确性与多样性，实验验证其有效性。
2025-08-05 cs.IR
Fisher-Weighted Merge of Contrastive Learning Models in Sequential Recommendation
Seoul National University（首尔国立大学）
本文首次将Fisher-Merging方法引入序列推荐，通过合并多个对比学习模型参数实现稳健微调，有效缓解数据稀疏问题并提升推荐性能。
2023-07-05 cs.AI cs.IR cs.LG
Episodes Discovery Recommendation with Multi-Source Augmentations
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Spotify Research（Spotify研究院）
推荐系统（RS）通常通过基于历史交互的用户兴趣建模，从大量的项目中为用户检索潜在的候选项目。然而，历史交互数据是高度稀疏的，大多数项目是长尾项目，这限制了项目发现的表示学习。新的或冷启动项目的发现进一步加剧了这个问题。例如，在用户在播客空间中显示对比特币金融投资节目的兴趣之后，推荐系统可能想要建议，例如，一个新发布的区块链节目，来自一个更技术化的节目。事件相关性有助于发现，特别是当事件的交互数据有限时。因此，我们建立在经典的双塔模型，并引入新的多源增强使用对比学习框架（MACL），以提高情节嵌入学习，从众多相关的语义结合积极的情节。在一个大型音频流媒体平台的真实播客推荐数据集上进行的大量实验表明了该框架对用户播客探索和冷启动剧集推荐的有效性。
2023-01-17 cs.AI cs.IR cs.LG
Generative Data Augmentation in Graph Contrastive Learning for Recommendation
Southwest University（西南大学）；Chongqing Normal University（重庆师范大学）
针对推荐系统中稀疏交互导致嵌入学习效果差的问题，提出GDA4Rec框架，利用深度生成模型生成增强视图并提取物品补全矩阵，结合推荐、增强和对比学习的联合目标，在三个数据集上验证了有效性。
2025-10-10 cs.IR
Cascading: Association Augmented Sequential Recommendation
近年来，基于用户行为的推荐在许多应用场景中显示出良好的效果。一般来说，现实世界中的顺序用户行为通常反映了顺序影响和关联关系的混合。然而，现有的顺序推荐方法主要集中在顺序关系，而忽略了关联关系。在本文中，我们提出了一个统一的方法，结合项目关联和顺序关系的顺序推荐。具体来说，我们编码的项目关联关系的项目共生图和挖掘它通过图嵌入的GCN。同时，我们通过一种广泛使用的基于RNN的顺序推荐方法GRU4Rec来建模顺序关系。这两个部分连接成一个级联式的端到端网络，这保证了项目关联和顺序关系的表示同时学习，使学习过程保持低复杂度。我们在三个广泛使用的真实世界数据集上进行了大量的实验：淘宝，亚马逊即时视频和亚马逊手机及配件。综合结果表明，该方法优于几个国家的最先进的方法。此外，还提供了一个定性的分析，以鼓励更好地了解在顺序推荐的关联关系，并说明性能增益正是从项目关联。
2019-10-17 cs.IR
Simple and Behavior-Driven Augmentation for Recommendation with Rich Collaborative Signals
KAIST（韩国科学技术院）
本文提出SCAR方法，利用从用户-物品交互中提取的协同信号生成伪交互进行数据增强，而非移除信息，从而提升图协同过滤对比学习效果，在四个基准数据集上优于现有方法且在稀疏场景表现突出。
2025-11-04 cs.IR
Beyond One-Size-Fits-All: Adaptive Test-Time Augmentation for Sequential Recommendation
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出AdaTTA框架，通过强化学习动态选择序列特定的增强策略，提升序列推荐的准确性，实验证明在Home数据集上提升26.31%。
2026-04-17 cs.IR
Intent-Enhanced Data Augmentation for Sequential Recommendation
Beihang University（北京航空航天大学）；State Key Laboratory of Complex & Critical Software Environment（复杂与关键软件环境国家重点实验室）
针对现有数据扩增方法引入噪声且利用不充分的问题，提出意图增强数据扩增方法IESRec，通过意图片段插入构建正负样本并联合对比学习损失训练，有效提升了序列推荐性能。
2024-10-11 cs.AI cs.IR
Counterfactual Evaluation of Slate Recommendations with Sequential Reward Interactions
Netflix；Spotify
音乐流、视频流、新闻推荐和电子商务服务的用户通常以顺序的方式参与内容。因此，提供和评估良好的推荐序列是这些服务的核心问题。先前基于重加权的反事实评估方法要么遭受高方差，要么对奖励做出强独立性假设。我们提出了一个新的反事实估计，允许顺序的相互作用，在一个渐进无偏的方式，在较低的方差的奖励。我们的方法使用图形假设的因果关系的石板重新加权的奖励在日志记录政策的方式，近似的预期总和的奖励下的目标政策。在模拟和现场推荐系统上的大量实验表明，我们的方法优于现有的方法的偏见和数据效率的顺序跟踪推荐问题。
2020-08-24 cs.IR cs.LG stat.ML
Sequential Recommendation with Relation-Aware Kernelized Self-Attention
最近的研究表明，顺序推荐是由注意力机制改善。通过这种发展，我们提出了一个自注意力机制的Transformer的概率模型的增强的感知核自注意力（RKSA）。Transformer最初的自注意力是一种确定性测度，没有关系意识。因此，我们引入了一个潜在的空间的自注意力力，和潜在的空间模型的推荐上下文的关系作为一个多变量的偏态正态分布与核化协方差矩阵的同现，项目的特点，和用户信息。该工作通过添加推荐任务细节的概率模型，将Transformer的自注意力和顺序推荐相结合。我们在基准数据集上进行了RKSA实验，与最近的基线模型相比，RKSA显示出显着的改进。此外，RKSA还能够生成一个潜在空间模型来回答推荐的原因。
2019-11-15 cs.IR cs.LG stat.ML
Hierarchical Contrastive Learning with Multiple Augmentation for Sequential Recommendation
针对序列推荐中对比学习增强方法结构简单、条件有限的问题，提出HCLRec框架，通过分层组合多重增强生成多级视图对，并利用Transformers与PFFN模块学习序列不变性，在稀疏交互下取得优于现有方法的鲁棒推荐性能。
2023-08-07 cs.IR
Sequential recommendation with metric models based on frequent sequences
INSA Lyon（里昂国立应用科学学院）；CNRS（法国国家科学研究中心）；LIRIS UMR5205；Visiativ；Université Lyon1（里昂第一大学）
建模用户偏好（长期历史）和用户动态（短期历史）是建立高效的顺序推荐系统的最重要的。挑战在于成功地结合整个用户的历史和他最近的行动（顺序动态），以提供个性化的建议。现有的方法捕获顺序动态的用户使用固定顺序马尔可夫链（通常是一阶链），而不管用户，这限制了用户的过去的影响，建议和能力，以适应其长度的用户简档。在这篇文章中，我们建议使用频繁序列来识别用户历史中最相关的部分。最突出的项目，然后在一个统一的度量模型中使用，该模型嵌入基于用户偏好和顺序动态的项目。大量的实验表明，我们的方法优于最先进的，特别是在稀疏数据集。我们表明，考虑不同长度的序列，提高了建议，我们还强调，这些序列提供的建议解释。
2020-08-12 cs.IR cs.LG stat.ML
Improving End-to-End Sequential Recommendations with Intent-aware Diversification
顺序推荐通过对用户的顺序行为进行建模，捕捉用户的动态意图，能够向用户推荐准确的产品。以往的研究主要集中在推荐准确度的优化上，而忽略了推荐多样性，尽管推荐多样性是评价推荐性能的重要指标。大多数现有的方法来提高建议的多样性并不理想地适用于SR，因为它们假设用户意图是静态的，并依赖于后处理的建议列表，以促进多样性。我们同时考虑推荐准确性和多样性的SR提出了一个端到端的神经模型，称为意图感知的多样化顺序推荐（IDSR）。具体来说，我们引入了一个隐式意图挖掘模块（IIM）到SR捕捉不同的用户意图反映在用户的行为序列。然后，我们设计了一个意图感知的多样性促进（IDP）损失来监督IIM模块的学习，并迫使模型在训练过程中考虑推荐多样性。在两个基准数据集上的大量实验表明，IDSR在推荐多样性方面明显优于最先进的方法，同时产生相当或更高的推荐准确性。
2019-08-27 cs.IR
Integrating Large Language Models into Recommendation via Mutual Augmentation and Adaptive Aggregation
Dongguan University of Technology（东莞理工学院）；City University of Hong Kong（香港城市大学）；City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院）；Tsinghua University（清华大学）；Chinese University of Hong Kong（香港中文大学）；University of Hawaii（夏威夷大学）；Capital University of Economics and Business（首都经济贸易大学）；SenseTime Research（商汤科技研究院）
本文提出Llama4Rec框架，通过相互增强和自适应聚合结合传统推荐方法和大语言模型，提升推荐性能。
2026-01-18 cs.IR
Sequential Recommendation for Cold-start Users with Meta Transitional Learning
顺序排序器面临的一个基本挑战是捕捉用户的顺序模式，以建模用户如何在项目之间传输。然而，在许多实际场景中，有大量的冷启动用户，只有最少的记录交互。其结果是，现有的顺序推荐模型将失去其预测能力，由于在学习顺序模式的用户只有有限的互动的困难。在这项工作中，我们的目标是改善顺序推荐的冷启动用户与一个新的框架名为MetaTL，学习模型的过渡模式的用户通过元学习。具体而言，建议MetaTL：（i）制定顺序推荐冷启动用户作为一个少样本学习问题;（ii）提取动态过渡模式与基于预防的架构用户之间;（iii）采用Meta过渡学习，使快速学习的冷启动用户只有有限的互动，导致准确的推理顺序的互动。
2021-07-13 cs.IR
Attribute-aware Diversification for Sequential Recommendations
用户更喜欢多样化的推荐而不是同质化的推荐。然而，大多数以前的工作顺序推荐不考虑多样性，并争取最大的准确性，导致同质的建议。在本文中，我们考虑到准确性和多样性，提出了一个属性感知的多样化顺序推荐（ADSR）。具体而言，ADSR利用可用的属性信息时，建模用户的顺序行为，同时学习用户的最有可能的项目进行交互，以及他们的属性偏好。然后，ADSR多样化的推荐项目的基础上预测的偏好的某些属性。两个基准数据集上的实验表明，ADSR可以有效地提供多样化的建议，同时保持准确性。
2020-08-03 cs.IR
Context-Aware Sequential Model for Multi-Behaviour Recommendation
针对现有序列推荐多忽略隐式交互、多行为模型难同时捕捉序列模式的问题，提出采用上下文感知多头自注意力与加权二元交叉熵损失的CASM模型，在四个数据集上表现优于当前最优方法。
2023-12-15 cs.IR
Déjà vu: A Contextualized Temporal Attention Mechanism for Sequential Recommendation
University of Virginia（弗吉尼亚大学）
根据用户的历史行为序列预测用户的偏好是现代推荐系统的关键和挑战。现有的顺序推荐算法在建模历史事件对当前预测的影响时，大多关注顺序行为之间的过渡结构，而忽略了时间和上下文信息。在本文中，我们认为，过去的事件对用户的当前行动的影响应该随着时间的推移和不同的上下文。因此，我们提出了一个语境化的时间注意力机制，它学会权衡历史行动的影响，不仅是什么行动，而且行动何时以及如何发生。更具体地说，为了动态地校准来自自注意力机制的相对输入依赖性，我们部署了多个参数化核函数来学习各种时间动态，然后使用上下文信息来确定每个输入遵循这些重新加权核中的哪一个。在对两个大型公共推荐数据集的实证评估中，我们的模型始终优于一组广泛的最先进的顺序推荐方法。
2020-01-29 cs.CL cs.IR cs.LG
PAS: A Position-Aware Similarity Measurement for Sequential Recommendation
当具有一定的项目间相似性度量时，常用的基于项目的协同过滤框架就成为一种典型的推荐方法。一方面，我们认识到一个设计良好的相似性度量是提供令人满意的推荐服务的关键。另一方面，推荐系统社区很少研究为顺序推荐设计的相似性度量。因此，在本文中，我们专注于设计一种新的相似性度量称为位置感知相似性（PAS）的顺序推荐。建议PAS是，据我们所知，第一个计数为基础的相似性度量，同时捕获的序列模式，从历史用户行为数据和输入序列内的项目位置信息。我们对四个公共数据集进行了广泛的实证研究，其中我们提出的基于PAS的方法即使与最先进的顺序推荐方法相比也具有竞争力的性能，包括最近的基于相似性的方法和两种基于GNN的方法。
2022-05-19 cs.IR
Sequential Recommendation via Adaptive Robust Attention with Multi-dimensional Embeddings
Salesforce（Salesforce公司）；University of Technology Sydney（悉尼科技大学）
针对序列推荐中用户行为多样及模型鲁棒性问题，提出ADRRec框架，结合多维时间上下文核嵌入、混合注意力与LNI正则化，实验表明其优于现有自注意力架构。
2024-09-08 cs.AI cs.IR cs.LG
Domain Disentanglement with Interpolative Data Augmentation for Dual-Target Cross-Domain Recommendation
针对双目标跨域推荐中增强表示生成与信息解耦的挑战，提出DIDA-CDR框架，采用可插值数据增强和解耦模块，在五个真实数据集上显著优于现有方法。
2023-07-26 cs.IR
Bridging User Dynamics: Transforming Sequential Recommendations with Schrödinger Bridge and Diffusion Models
University of Science and Technology of China（中国科学技术大学）；State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）
针对现有基于扩散模型的序列推荐受高斯先验限制、缺失用户个性化信息的问题，该研究引入薛定谔桥构建SdifRec模型，以用户当前状态为扩散先验，还提出结合用户聚类引导的con-SdifRec，经多基准实验验证了有效性、效率与鲁棒性。
2024-08-30 cs.AI cs.IR cs.LG
Data Augmentation for Sequential Recommendation: A Survey
本综述系统梳理序列推荐中的数据增强方法，按原理、对象和目的分类，比较优缺点并分析代表性实验，指出未来研究方向。
2024-09-20 cs.IR
Learning from All Sides: Diversified Positive Augmentation via Self-distillation in Recommendation
针对推荐数据稀疏及正样本增强难以兼顾准确性与多样性的问题，提出模型无关的 DivSPA，通过多视角候选检索与自蒸馏重排序获得高质量正样本，并经离线、在线验证且已上线部署。
2023-08-15 cs.IR
SimDiffRec: Semantic Similarity-Guided Diffusion for Contrastive Sequential Recommendation
Sejong University（世宗大学）
针对序列推荐系统，提出SimDiffRec，利用物品嵌入向量相似性生成语义一致噪声，依高置信度选增强位置，结合对比学习提升训练效率与推荐性能，实验表明其优于基线模型。
2026-07-07 cs.IR
