Rethinking Reinforcement Learning for Recommendation: A Prompt Perspective
现代推荐系统旨在改善用户体验。由于强化学习（RL）自然符合这一目标-最大化用户每次会话的奖励-它已成为推荐系统中的一个新兴话题。然而，由于\emph{offline training challenge}的存在，开发基于RL的推荐方法并不简单。具体来说，传统强化学习的重点是通过大量的在线探索来训练智能体，从而在训练过程中产生大量的“错误”。然而，在推荐设置中，我们无法承担在线“错误”的代价。因此，需要通过在不同推荐策略下收集的离线历史隐式反馈来训练代理;传统RL算法可能会在这些离线训练设置下导致次优策略。在这里，我们提出了一个新的学习范式-即基于约束的强化学习（PRL）-基于RL的推荐代理的离线训练。虽然传统的RL算法试图将状态-动作输入对映射到它们的预期奖励（例如，Q值），PRL直接推断动作（即，从国家奖励的投入。简而言之，智能体被训练来预测推荐的项目，给出先前的交互和观察到的奖励值-通过简单的监督学习。在部署时，这些历史（训练）数据用作知识库，而状态-奖励对用作提示。因此，代理人被用来回答这个问题：\emph{ Which item should be recommended given the prior interactions \& the prompted reward value}？我们实现了PRL与四个显着的推荐模型，并在两个真实世界的电子商务数据集上进行实验。实验…
2022-06-15 cs.IR
Rethinking Lifelong Sequential Recommendation with Incremental Multi-Interest Attention
顺序推荐在电子商务服务中扮演着越来越重要的角色，如展示广告和在线购物。随着这些服务在过去二十年的快速发展，用户积累了大量的行为数据。更丰富的序列行为数据已经被证明对序列推荐有很大的价值。然而，传统的序列模型无法处理用户的终身序列，因为它们的线性计算和存储成本阻止它们执行在线推理。最近，终身顺序建模方法，借用记忆网络的思想，从自然语言处理提出了解决这个问题。然而，基于RNN的记忆网络本质上无法捕获长期依赖关系，并且可能会被极长行为序列上的噪声所淹没。此外，随着用户行为序列的增长，用户的兴趣也会随之增长，因此对用户兴趣的建模和捕捉变得至关重要。为了解决这些问题，我们提出了一种新的终身增量多兴趣自我注意力的顺序推荐模型，即LimaRec。我们提出的方法受益于精心设计的自我注意，以识别相关信息，从用户的行为序列与不同的兴趣。它仍然能够增量地更新用户的表示以进行在线推理，类似于基于记忆网络的方法。我们在四个真实世界的数据集上广泛评估了我们的方法，并证明了其与最先进的基线相比的优越性能。
2021-05-28 cs.IR
The Elephant in the Room: Rethinking the Usage of Pre-trained Language Model in Sequential Recommendation
本研究针对序列推荐中预训练语言模型（PLM）利用率低、参数冗余的问题，提出用行为调优PLM初始化传统ID类序列推荐模型物品嵌入的轻量化方案，在五数据集上无额外推理成本即超越经典及SOTA模型。
2024-08-14 cs.IR
Rethinking Large Language Model Architectures for Sequential Recommendations
本文提出 Lite-LLM4Rec 模型，通过直接的物品投影头替代 beam search 解码并引入分层 LLM 结构，大幅提升了序列推荐的推理效率与性能。
2024-02-14 cs.IR
HELIX: Purified and Unified - Rethinking Feature Interaction and Sequence Modeling for Large-Scale Recommendation
Global E-Commerce Recommendation Video Team（全球电商推荐视频团队）
针对大规模推荐中特征交互与序列建模单独扩展受限的问题，提出HELIX统一架构，通过交错序列检索与特征交互并保持单向信息流，实现两轴联合扩展，在TikTok部署后GMV提升约6%。
2026-10-01 cs.IR
Rethinking Evidence Modeling: Context-Coupled Graph Learning for Multimodal Recommendation
Nanjing University（南京大学）；Tianjin University（天津大学）；Beihang University（北京航空航天大学）
针对多模态推荐中证据建模的上下文分离局限，提出CC-MGRec方法，通过上下文耦合图学习实现多源证据的组合传播，在三个Amazon数据集上提升了推荐质量并加快推理速度。
2026-10-14 cs.IR
Rethinking Semantic ID Construction for Generative Recommendation: SimHash with Parallel Decoding and Semantic Alignment
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Amazon（亚马逊）
本研究挑战了简单哈希方法在生成式推荐中性能低下的共识，提出FLASH两阶段框架，通过并行解码和显式语义对齐重振SimHash标记化，无需训练即可在多个数据集上实现最先进性能，并在冷启动场景中展现更强泛化能力。
2026-10-07 cs.IR
Rethinking LLM-Based Recommendations: A Personalized Query-Driven Parallel Integration
KAIST（韩国科学技术院）
针对LLM推荐系统中训练偏差与序列化架构瓶颈，提出并行框架Query-toRecommendation，将LLM与候选预选解耦，利用LLM生成物品描述与个性化查询，并结合自适应重排序策略，实现零样本语义匹配，性能提升达57%。
2025-09-14 cs.CL cs.IR
Where Reasoning Matters: Rethinking Latent Reasoning in Semantic ID-based Generative Recommendation
Key Laboratory of Dependable Service Computing in Cyber Physical Society (Chongqing University), Ministry of Education, China（教育部计算机与网络空间安全依赖服务计算重点实验室（重庆大学））；School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件工程学院）；Griffith University（格里菲斯大学）
研究基于语义ID的生成式推荐中潜在推理的步骤分配问题，通过位置信息增益提出IBA框架，将潜在细化步骤视为有限资源，学习在语义ID位置间合理分配，实验证明该框架能提升推荐准确性并优化计算权衡。
2026-07-15 cs.IR
Rethinking Recommendation Paradigms: From Pipelines to Agentic Recommender Systems
University of Chinese Academy（中国科学院大学）；Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
本文提出基于代理的推荐系统，通过将关键模块转化为代理，实现动态进化，解决传统多阶段和单模型设计的静态问题。
2026-04-09 cs.IR
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
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
Click A, Buy B: Rethinking Conversion Attribution in E- Commerce Recommendations
针对电商中“点击 A 购买 B”现象导致转化归因偏差的问题，本文提出多任务框架和分类感知协同过滤加权方案，离线归一化熵降低 13.9%，在线主要业务指标提升 0.25%。
2025-07-20 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
Rethinking Purity and Diversity in Multi-Behavior Sequential Recommendation from the Frequency Perspective
本文从频率视角重新审视多行为序列推荐，发现低频对应兴趣纯净性、高频对应多样性，据此提出PDB4Rec模型，通过提取多频带信息并引入自举平衡器机制提升推荐性能。
2025-10-16 cs.AI cs.IR
Streaming CTR Prediction: Rethinking Recommendation Task for Real-World Streaming Data
本文将CTR预测重新定义为面向真实动态数据流的Streaming CTR Prediction任务，构建基准与指标，揭示流式学习困境，并提出参数调优和样本回放方法以提升模型效果。
2023-07-14 cs.IR
Rethinking Group Recommender Systems in the Era of Generative AI: From One-Shot Recommendations to Conversational Group Decision Support
University of Klagenfurt（克雷格弗特大学）；University of Sarajevo（萨拉热窝大学）；Free University of Bozen-Bolzano（博兹纳-博尔扎诺自由大学）
本文反思群组推荐系统的学术假设与现实差距，提出利用生成式AI，构建人类与AI智能体互动的群组决策支持系统，以推动其实际应用。
2026-10-30 cs.AI 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
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
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
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
Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation
University of Science and Technology of China（中国科学技术大学）；FaceBook AI（脸书人工智能研究院）
针对推荐系统缺失数据被误标为负样本导致长尾物品召回受损的问题，提出偶然不确定性感知推荐（AUR）框架，通过引入不确定性估计器并基于不确定性进行推荐，有效提升了长尾物品推荐性能且不牺牲整体效果。
2023-07-27 cs.AI cs.IR
Disentangled Counterfactual Reasoning for Unbiased Sequential Recommendation
本文提出DCR方法，通过解耦流行度与兴趣表示并构建结构因果图，结合反事实推理消除序列推荐中的流行度偏差，离线实验和在线A/B测试验证了其显著性能提升。
2023-08-05 cs.IR
Item Association Factorization Mixed Markov Chains for Sequential Recommendation
本文提出项目关联分解混合马尔可夫链算法，利用项目关联图融合项目间关联与用户行为序列信息，在四个公开数据集上以少量参数提升推荐排序效果。
2024-11-18 cs.IR
Contrastive Learning with Bidirectional Transformers for Sequential Recommendation
基于transformer的序列编码器的对比学习在序列推荐中取得了优势。它最大化共享相似语义的成对序列扩增之间的协议。然而，现有的顺序推荐对比学习方法主要采用从左到右的单向Transformers作为基本编码器，由于用户行为可能不是严格的从左到右的顺序，因此这种方法对于顺序推荐来说并不理想。为了解决这个问题，我们提出了一个新的框架，名为\textbf{C}对比学习与\textbf{Bi}定向\textbf{T} transformers顺序推荐（\textbf{CBiT}）。具体来说，我们首先应用滑动窗口技术的双向Transformers，这使得用户序列的更细粒度的划分长的用户序列。然后结合完形填空任务模板和丢弃模板生成高质量的正样本并进行多对对比学习，与常规的一对对比学习相比，该方法具有更好的性能和适应性。此外，我们还引入了一种新的动态损失权重调整策略来平衡完形填空任务损失和对比损失。在三个公共基准数据集上的实验结果表明，我们的模型优于最先进的顺序推荐模型。
2022-08-17 cs.IR
KATRec: Knowledge Aware aTtentive Sequential Recommendations
顺序推荐系统基于用户与平台的历史交互来建模用户的动态偏好。尽管最近取得了进展，但在这样的系统中对用户的短期和长期行为进行建模是不平凡和具有挑战性的。为了解决这个问题，我们提出了一个解决方案，增强了一个知识图谱称为KATRec（知识感知的主动顺序建议）。KATRec通过对用户的交互项目序列进行建模，并通过知识图谱注意力网络利用预先存在的辅助信息，来学习用户的短期和长期兴趣。我们的新的知识图谱增强的顺序推荐包含项目的多关系在实体级和用户的动态序列在项目级。KATRec通过考虑高阶连接并在推荐下一个项目时将其纳入用户偏好表示来改进项目表示学习。在三个公共数据集上的实验表明，KATRec的性能优于最先进的推荐模型，并证明了对时间和辅助信息进行建模以实现高质量推荐的重要性。
2021-07-06 cs.IR
Integrating Offline Reinforcement Learning with Transformers for Sequential Recommendation
针对序列推荐任务，提出一种基于预训练transformer初始化策略网络的完全离线强化学习框架，实验证明其收敛快速稳定且推荐质量优于监督学习方法。
2023-07-26 cs.IR
Recursive Attentive Methods with Reused Item Representations for Sequential Recommendation
序贯推荐的目的是根据用户的历史交互行为推荐用户感兴趣的下一个项目。最近，自我注意力机制已经被用于顺序推荐，并展示了最先进的性能。然而，在这篇手稿中，我们表明，自我注意力为基础的顺序推荐方法可能会受到本地化赤字问题。因此，在这些方法中，在前几个块上，项目表示可能会迅速偏离其原始表示，从而损害后续块中的学习。为了缓解这个问题，在这篇手稿中，我们开发了一个递归注意的方法与重用的项目表示（RAM）的顺序推荐。我们在六个公共基准数据集上将RAM与五种最先进的基线方法进行了比较。我们的实验结果表明，RAM显着优于基准方法的基准数据集，提高了11.3%。我们的稳定性分析表明，RAM可以实现更深、更宽的模型，从而获得更好的性能。我们的运行时性能比较表明，RAM在基准数据集上也可以更有效。
2022-09-16 cs.IR
DivNet: Diversity-Aware Self-Correcting Sequential Recommendation Networks
针对传统方法难以捕捉推荐物品间复杂交互、难以兼顾多样性等整体优化目标的问题，提出感知多样性的自校正序列推荐网络DivNet，可同时捕捉序列物品交互评估效用并实现推荐多样化，离线在线实验均优于基线方法。
2024-11-01 cs.IR
Parallel Split-Join Networks for Shared-account Cross-domain Sequential Recommendations
顺序推荐是一项任务，其中一个模型和使用顺序信息的用户行为的推荐目的。我们在一个特别具有挑战性的背景下研究顺序推荐，其中多个个人用户共享一个帐户（即，他们具有共享帐户）并且其中用户行为在多个域中可用（即，建议是跨域的）。这两个特点给传统的顺序推荐任务带来了新的挑战。首先，我们需要识别与同一帐户下的不同用户和不同用户角色相关联的行为，以便在正确的时间向正确的用户角色推荐正确的项目。其次，我们需要识别一个领域中可能有助于改进其他领域中的推荐的行为。在这项工作中，我们研究了共享帐户跨域顺序推荐，并提出了并行分裂-加入网络（PSJNet），一个并行建模网络，以解决上述两个挑战。我们提出了PSJNet的两个变体，PSJNet-I和PSJNet-II。PSJNet-I是一个“split-by-join”框架，它将混合表示拆分为特定于角色的表示，并将它们连接起来以同时获得每个时间戳的跨域表示。PSJNet-II是一个“拆分-连接”框架，它首先在每个时间戳拆分特定于角色的表示，然后将所有时间戳和所有角色的表示连接起来以获得跨域表示。我们使用两个数据集来评估PSJNet的有效性。我们的实验结果表明，PSJNet在MRR和召回方面优于最先进的顺序推荐基线。
2021-04-13 cs.IR
Improve Temporal Awareness of LLMs for Sequential Recommendation
本文针对LLMs时间感知不足的问题，提出三种利用历史交互时间信息的提示策略并聚合排序结果，在MovieLens-1M和Amazon Review上显著提升序列推荐的零样本性能。
2024-05-05 cs.IR
Rethinking Convolutional Networks for Attribute-Aware Sequential Recommendation
Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany（希尔德斯海姆大学信息系统与机器学习实验室）；VWFS Data Analytics Research Center (VWFS DARC), University of Hildesheim, Germany（希尔德斯海姆大学VWFS数据分析研究中心）；Volkswagen Financial Services AG, Germany（德国大众金融服务有限公司）
本文提出ConvRec，通过卷积层生成紧凑且表达力强的序列表示，以提升序列推荐效果，实验表明其优于现有方法。
2026-05-07 cs.IR cs.LG
Explanation Guided Contrastive Learning for Sequential Recommendation
最近，对比学习已被应用到顺序推荐任务，以解决数据稀疏所造成的用户与少数项目的互动和项目与少数用户采用。然而，现有的基于对比学习的方法不能确保通过对给定锚用户序列的一些随机增强（或序列采样）获得的正（或负）序列保持语义相似（或不同）。当正序列和负序列分别被证明是假阳性和假阴性时，可能导致推荐性能下降。在这项工作中，我们解决了上述问题，提出了解释引导增强（EGA）和解释引导对比学习顺序推荐（EC4SRec）模型框架。EGA背后的核心思想是利用解释方法来确定项目在用户序列中的重要性，并相应地导出正序列和负序列。然后，EC4SRec结合了对EGA操作生成的正序列和负序列的自监督和监督对比学习，以改进序列表示学习，从而获得更准确的推荐结果。在四个真实世界的基准数据集上的大量实验表明，EC4SRec优于最先进的顺序推荐方法和两个最近的基于对比学习的顺序推荐方法，CL4SRec和DuoRec。我们的实验还表明，EC4SRec可以很容易地适应不同的序列编码器骨干（例如，GRU4Rec和Caser），并提高其推荐性能。
2022-09-03 cs.IR
ID-Agnostic User Behavior Pre-training for Sequential Recommendation
近年来，顺序推荐成为一个被广泛研究的课题。现有的研究主要是设计有效的神经网络结构来基于项目ID对用户行为序列进行建模。然而，这种方法高度依赖于用户-项目交互数据，而忽略了用户偏好的相似项目之间的属性或特征级相关性。鉴于这些问题，我们提出IDA-SR，这代表身份不可知的顺序推荐用户行为预训练方法。IDA-SR不是显式地学习项ID的表示，而是直接从富文本信息中学习项表示。为了弥补文本语义和序列用户行为之间的差距，我们使用预训练的语言模型作为文本编码器，并对序列用户行为进行预训练架构。通过这种方式，项目文本可以直接用于顺序推荐，而不依赖于项目ID。大量的实验表明，所提出的方法可以实现可比的结果时，只使用ID不可知的项目表示，并表现得比基线时，与ID信息进行微调时，有很大的利润。
2022-06-06 cs.IR
A Systematic Replicability and Comparative Study of BSARec and SASRec for Sequential Recommendation
本研究基于EasyRec通用框架重新实现SASRec与BSARec两种序列推荐模型，公平对比验证了BSARec的频率增强组件确有性能提升，但幅度低于原报告，凸显实现细节对推荐算法性能对比的重要性。
2025-06-17 cs.IR
DACSR: Decoupled-Aggregated End-to-End Calibrated Sequential Recommendation
针对序列推荐中仅追求准确性导致的公平性和多样性问题，提出端到端校准框架DACSR，通过目标函数校准和分布修改，实现准确且校准的推荐。
2022-10-21 cs.IR
Mamba4Rec: Towards Efficient Sequential Recommendation with Selective State Space Models
本文提出Mamba4Rec，首次将选择性状态空间模型Mamba用于序列推荐，通过设计序列建模技术在保持推理效率的同时提升效果，并在公开数据集上优于RNN和注意力基线。
2024-06-29 cs.IR
A Framework for Elastic Adaptation of User Multiple Intents in Sequential Recommendation
本文提出增量学习框架IMA及升级版EMA，通过保留现有意图、检测新意图和修剪机制解决序列推荐中用户意图动态增长与遗忘问题，并在内存限制下弹性压缩意图。
2025-04-30 cs.IR
Rethinking the Evaluation for Conversational Recommendation in the Era of Large Language Models
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；School of Information, Renmin University of China（中国人民大学信息学院）；School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）
该研究指出大语言模型时代现有对话推荐评估协议的局限，提出基于大语言模型用户模拟器的交互式评估方法iEvaLM，经公开数据集验证效果更优，同时验证了ChatGPT的推荐可解释性，为相关研究提供新评估框架。
2023-11-03 cs.CL cs.IR
ReMem: Rethinking Perception and Memory in Long-Context Recommendation Agents
The Hong Kong Polytechnic University（香港理工大学）；Nanyang Technological University（南洋理工大学）
针对推荐代理在条目感知和长上下文推理上的不足，提出ReMem框架，结合OCR多模态感知与分块动态记忆，实现线性复杂度推理，并在三个任务上平均提升5.16%。
2026-11-10 cs.AI cs.IR
Mixed Information Flow for Cross-domain Sequential Recommendations
跨领域的顺序推荐是根据用户在多个领域中过去的顺序行为来预测用户下一个最有可能交互的项目。跨领域顺序推荐的关键问题之一是如何把握和传递多个领域的信息流，以促进所有领域的推荐。以往的研究通过探索来自不同领域的项目之间的联系来研究行为信息的流动。知识的流动（即，不同领域的知识之间的联系）迄今为止一直被忽视。在本文中，我们提出了一个混合信息流网络的跨域顺序推荐考虑行为的信息流和知识流的行为转移单元和知识转移单元。所提出的混合信息流网络能够决定何时应该使用跨域信息，并且如果是这样，则应该根据用户的当前偏好使用哪些跨域信息来丰富序列表示。在四个电子商务数据集上进行的大量实验表明，混合信息流网络能够通过建模混合信息流来进一步提高不同领域的推荐性能。
2020-12-05 cs.IR
Cross-domain novelty seeking trait mining for sequential recommendation
迁移学习在过去的几十年里吸引了大量的兴趣和研究，并且已经做出了一些努力来构建更精确的推荐系统。大多数先前的转移推荐系统假设目标域与辅助源域共享相同/相似的评级模式，这用于提高推荐性能。然而，据我们所知，几乎这些作品都没有考虑到顺序数据的特点。在本文中，我们研究了新的跨域推荐场景挖掘新奇寻求特质。心理学的研究表明，新奇寻求特质与消费者行为密切相关，这对在线推荐有着深远的商业影响。由于数据的稀缺性和稀疏性，以往的工作仅针对单个目标领域，可能无法很好地刻画用户的新奇寻求特征，从而导致推荐性能不佳。在此基础上，提出了一种新的跨领域新奇寻求特征挖掘模型（CDNST），通过转移辅助源领域的知识来提高顺序推荐性能。我们进行了系统的实验，从豆瓣（www.douban.com）抓取的三个领域的数据集，以证明所提出的模型的有效性。此外，我们还分析了时序数据的时态特性对CDNST性能的影响，并进行了仿真实验来验证我们的分析。
2018-03-05 cs.IR
Leveraging Large Language Models for Sequential Recommendation
本文研究如何利用大语言模型改进序列推荐，提出三种方法，并证明用 LLM 嵌入初始化 BERT4Rec 可将 NDCG 提升 15-20%。
2023-09-17 cs.IR
Self-Attentive Sequential Recommendation with Cheap Causal Convolutions
顺序推荐是当前的一个研究热点，它利用用户的行为序列作为输入来预测用户的未来行为。基于自我注意力机制的模型通过点积估计历史行为的相关强度，可以捕捉序列的长期偏好。然而，它有两个局限性。一方面，它没有有效地利用项目的本地上下文信息时，确定的注意力和创建的序列表示。另一方面，卷积层和线性层通常包含冗余信息，这限制了对序列进行编码的能力。本文提出了一种基于廉价因果卷积的自注意顺序推荐模型。它利用因果卷积来捕获项目的局部信息，以计算注意力并生成序列嵌入。它还使用廉价的卷积，以提高表示的轻量级结构。我们评估所提出的模型的有效性，准确和校准的顺序推荐。在基准数据集上的实验表明，该模型在单目标和多目标推荐场景下都有较好的推荐效果。
2023-02-22 cs.IR
Rethinking negative sampling in content-based news recommendation
Promptly Health；Faculty of Sciences, University of Porto（波尔图大学理学院）；Joint Research Centre, European Commission（欧盟委员会联合研究中心）；ISEP, Polytechnic of Porto（波尔图理工学院ISEP）；INESC TEC
针对新闻推荐中文章生命周期短且现有模型复杂、缺乏负样本考量的问题，提出一种提升准确率并促进系统去中心化的负采样技术，在 MIND 数据集上达到 SOTA 性效。
2024-11-13 cs.AI cs.IR cs.LG
A Survey on Sequential Recommendation
本文从项目属性构建的新视角综述序列推荐，系统总结纯ID、多模态、生成式、大语言模型驱动等最新技术，并介绍开放域、数据驱动等前沿方向，为该领域提供研究路线图。
2025-03-13 cs.IR
A Contextual-Aware Position Encoding for Sequential Recommendation
针对序列推荐中传统位置编码性能有限、定制化研究不足的问题，提出首个专门面向序列推荐的上下文感知位置编码方法CAPE，可提升多类骨干模型效果，在基准测试和工业部署中均验证了有效性。
2025-02-22 cs.IR
Enriching Sequential Recommendation with Graph Laplacian Positional Embeddings
HSE University（高等经济大学）
本文提出用图拉普拉斯位置嵌入替代序列推荐中的可学习位置嵌入，在SASRec上构建物品共现图并利用其特征向量，实验表明该方法在多个基准上提升性能，证明图结构可有效替代顺序编码。
2026-09-28 cs.IR
MLSA4Rec: Mamba Combined with Low-Rank Decomposed Self-Attention for Sequential Recommendation
School of Computer Science, South China Normal University（华南师范大学计算机学院）
MLSA4Rec通过结合Mamba和低秩分解自注意力，提升序列推荐的准确性与效率。
2024-07-18 cs.IR
Look into the Future: Deep Contextualized Sequential Recommendation
针对现有序列推荐仅依赖用户历史行为、忽略未来信息的问题，提出LIFT框架，通过融合自身历史与其他用户相似交互的跨时序上下文，结合行为掩码预训练，在5个真实数据集的两类任务上显著优于基线模型。
2024-08-14 cs.IR
A Review-Driven Neural Model for Sequential Recommendation
在电子商务中，为购买的商品撰写评论是表达用户意见的一个独特渠道。最近，已经提出了许多基于深度学习的解决方案，通过利用用户评论进行评级预测。相比之下，很少有人尝试将用户评论所覆盖的语义信号用于协同过滤任务。在本文中，我们提出了一个新的评论驱动的神经顺序推荐模型（RNS），考虑用户的内在偏好（长期）和顺序模式（短期）。详细地说，RNS被设计成用从评论中提取的方面感知表示来编码每个用户或项目。给定一个用户的历史购买项目的序列，我们设计了一个新的层次注意力机制注意力机制，以捕捉在工会和个人级别的序列模式。在三个不同领域的真实数据集上的实验表明，RNS比最新的最先进的顺序推荐模型获得了显着的性能改善。
2019-07-01 cs.IR
Sequential Recommendation with Diffusion Models
针对现有生成模型在序列推荐中的后验坍缩和模型坍缩问题，提出基于扩散模型的DiffRec框架，通过修改扩散过程处理离散数据并仅对目标项目加噪，配合高效训练推理策略，在三个公开数据集上超越最先进方法。
2023-06-22 cs.IR
