Laser: Parameter-Efficient LLM Bi-Tuning for Sequential Recommendation with Collaborative Information
Beijing Institute of Technology（北京理工大学）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出Laser框架，通过前缀和后缀双向插入可训练虚拟令牌实现参数高效的大语言模型序列推荐，并引入M-Former融合多样化用户协同信息，显著提升推荐准确性。
2024-09-03 cs.AI cs.IR
Lost in Sequence: Do Large Language Models Understand Sequential Recommendation?
NAVER Corperation（NAVER公司）；University of California San Diego（加州大学圣地亚哥分校）
该研究发现现有LLM4Rec模型未充分捕捉序列推荐中的序列信息，提出LLM-SRec方法，通过蒸馏预训练CF-SRec的用户表征增强LLM的序列理解能力，仅训练少量轻量MLP即达SOTA性能。
2025-06-11 cs.AI cs.IR
RecGPT: A Foundation Model for Sequential Recommendation
针对推荐系统跨域泛化难、冷启动表现差的问题，提出基于文本特征和统一分词的序列推荐基础模型RecGPT，实现零样本泛化，在多数据集和工业场景中性能更优。
2025-06-12 cs.IR
LLM2Rec: Large Language Models Are Powerful Embedding Models for Sequential Recommendation
National University of Singapore（新加坡国立大学）；University of Science and Technology of China（中国科学技术大学）；Singapore Management University（新加坡管理学院）
提出LLM2Rec，通过两阶段训练框架将大型语言模型的语义理解与协同过滤信号结合，构建结构化物品嵌入模型，显著提升序列推荐在领域内外的性能。
2025-06-16 cs.AI cs.IR
Molar: Multimodal LLMs with Collaborative Filtering Alignment for Enhanced Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）
针对LLM序列推荐缺乏协同过滤信息的问题，提出多模态框架Molar，通过统一多模态物品表示与后对齐协同信号，显著提升序列推荐准确性。
2024-12-30 cs.AI cs.IR
Improving LLM Interpretability and Performance via Guided Embedding Refinement for Sequential Recommendation
University of California, Berkeley（加州大学伯克利分校）；Berkeley AI Research Lab (BAIR)（伯克利人工智能研究实验室）；Tsinghua University（清华大学）
针对LLM集成到序列推荐系统中的可解释性与透明度问题，提出引导嵌入优化方法，以LLM为辅助工具生成领域语义引导嵌入并优化基础嵌入，实验表明该方法适配多种基础模型，泛化性好，可提升推荐性能（MRR等指标提升10%-50%）并增强可解释性。
2025-04-15 cs.AI cs.IR
Bidirectional Knowledge Distillation for Enhancing Sequential Recommendation with Large Language Models
Microsoft Research Asia（微软亚洲研究院）；Fudan University（复旦大学）
提出LLMD4Rec双向蒸馏框架，通过动态交互知识交换增强序列推荐，无需额外参数且不增推理成本，显著提升推荐准确性。
2025-05-23 cs.AI cs.IR
LLM4DSR: Leveraging Large Language Model for Denoising Sequential Recommendation
Zhejiang University（浙江大学）；OPPO Co Ltd（OPPO公司）
针对序列推荐中的噪声交互问题，本文提出LLM4DSR，通过自监督微调与不确定性估计让LLM识别并校正噪声，且可适配多种推荐模型。
2025-06-07 cs.AI cs.IR
RecGPT: Generative Personalized Prompts for Sequential Recommendation via ChatGPT Training Paradigm
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Peking University（北京大学）；Kuaishou Technology（快手科技）；Unaffliated（无所属机构）
该研究借鉴ChatGPT对话模式与两阶段训练范式，提出面向序列推荐的RecGPT框架，通过个性化用户模块、提示微调及多兴趣自回归召回实现推荐，经离线与在线实验验证了有效性。
2024-04-06 cs.AI cs.CL cs.IR
The Whole is Better than the Sum: Using Aggregated Demonstrations in In-Context Learning for Sequential Recommendation
Singapore Management University（新加坡管理大学）
提出LLMSRec-Syn方法，通过聚合多个演示用户增强上下文学习，在序列推荐中超越现有LLM方法，部分情况媲美监督学习。
2024-03-15 cs.AI cs.CL cs.IR
Exploring Applications of State Space Models and Advanced Training Techniques in Sequential Recommendations: A Comparative Study on Efficiency and Performance
Phystech（菲斯特技术）
针对基于Transformer的序列推荐模型内存与推理成本高的问题，本研究探索了SSM提速、基于ORPO的LLM推荐质量提升、自适应批次与步长加速训练三个方向，旨在平衡序列推荐的效率与性能。
2025-10-05 cs.AI cs.IR cs.LG
GenRec: Generative Sequential Recommendation with Large Language Models
University of Michigan（密歇根大学）
将序列推荐视为序列到序列生成任务，提出基于大型语言模型的轻量级生成式模型GenRec，采用掩码物品预测目标学习双向序列模式，在多个公开数据集上取得最先进结果。
2024-08-29 cs.AI cs.CL cs.IR
Sequential LLM Framework for Fashion Recommendation
Washington University in St. Louis（圣路易斯华盛顿大学）；Amazon（亚马逊公司）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
提出一种序列时尚推荐框架，利用预训练LLM结合推荐特定提示、参数高效微调和基于混合的检索技术，显著提升了时尚推荐性能。
2024-10-15 cs.AI cs.CL cs.IR
Gated Rotary-Enhanced Linear Attention with Rank Modulation for Long-term Sequential Recommendation
organization= School of Big Data \& Software Engineering, Chongqing University , city= Chongqing , postcode= 401331 , country= China
本文提出RecGRELA模型，通过门控旋转增强线性注意力模块和自适应秩调制模块，解决长尾序列推荐中长距离依赖建模、低秩缺陷和短期兴趣与长期兴趣区分的问题，实现高效推荐。
2026-03-24 cs.IR
Multimodal Enhancement of Sequential Recommendation
University of Surrey（萨里大学）
MuSTRec通过结合多模态和序列推荐范式，利用物品-物品图和频率自注意力模块提升推荐性能，实验表明其在多个数据集上取得显著提升。
2026-02-06 cs.AI cs.IR
Sequential Recommendation in Online Games with Multiple Sequences, Tasks and User Levels
Xiamen University（厦门大学）；Tencent（腾讯）
在线游戏比以往任何时候都增长得更快，提供更好的用户体验的挑战也越来越大。在线游戏推荐系统面临着独特的挑战，因为他们必须满足玩家的不同需求，在不同的用户水平，基于他们的各种行动类型的行动序列。虽然已经存在许多顺序RS，但它们主要是单序列、单任务和单用户级的。本文介绍了一种新的腾讯游戏平台多序列、多任务、多用户等级的顺序推荐模型（简称M $^3$ Rec），该模型能够充分利用网络游戏中的复杂数据。本文利用图神经网络和多任务学习设计了M $^3$ Rec模型，对腾讯游戏异构顺序推荐场景中的复杂信息进行建模。我们在腾讯游戏平台的三款在线游戏上验证了M $^3$ Rec的有效性，包括离线和在线评估。实验结果表明，M $^3$ Rec成功地解决了网络游戏推荐的难题，与最先进的顺序推荐方法相比，它产生了更好的推荐效果.
2021-06-21 cs.AI cs.IR
Exploiting Session Information in BERT-based Session-aware Sequential Recommendation
Seoul National University（首尔国立大学）
在推荐系统中，利用用户的交互历史作为顺序信息，导致了很大的性能改善。然而，在许多在线服务中，用户交互通常按会话分组，这些会话可能共享偏好，这需要与普通序列表示技术不同的方法。为此，已经开发了具有层次结构或各种观点的序列表示模型，但是具有相当复杂的网络结构。在本文中，我们提出了三种方法来提高推荐性能，利用会话信息，同时最大限度地减少额外的参数在基于BERT的顺序推荐模型：使用会话令牌，添加会话段嵌入，和时间感知的自我注意。我们通过广泛使用的推荐数据集上的实验证明了所提出的方法的可行性。
2022-05-19 cs.AI cs.IR
Cold-start Sequential Recommendation via Meta Learner
University of Electronic Science and Technology of China（电子科技大学）；University of Chinese Academy of Sciences（中国科学院大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Institute of Automation and Artificial Intelligence Research, Chinese Academy of Sciences（中国科学院自动化与人工智能研究院）
本文探讨了元学习在顺序推荐中的应用，以缓解项目冷启动问题。顺序推荐是基于用户的历史行为序列来获取用户的动态偏好，是大多数在线推荐场景的关键组成部分。然而，大多数以前的方法都难以推荐冷启动项目，这在这些场景中很普遍。由于顺序推荐任务的设置中一般不存在边信息，当只有用户-项目交互时，以前的冷启动方法不能应用。因此，我们提出了一个基于元学习的冷启动顺序推荐框架，即Mecos，以减轻项目冷启动问题的顺序推荐。这项任务是不平凡的，因为它在一个新的和具有挑战性的背景下针对一个重要的问题。Mecos有效地从有限的交互中提取用户偏好，并学会将目标冷启动项目与潜在用户相匹配。此外，我们的框架可以轻松地集成到基于神经网络的模型。在三个真实世界数据集上进行的广泛实验验证了Mecos的优越性，与最先进的基线方法相比，HR@10的平均改善高达99%，91%和70%。
2020-12-10 cs.AI cs.IR
TME-PSR: Time-aware, Multi-interest, and Explanation Personalization for Sequential Recommendation
Tongji University（同济大学）
本文提出TME-PSR模型，整合时间感知个性化、多兴趣个性化和解释个性化，以提升个性化序列推荐的准确性和解释质量，通过双视门控时间编码器、轻量级多头线性递归单元和动态双分支互信息加权机制实现高效个性化对齐。
2026-04-10 cs.AI 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
Enhancing Sequential Recommendation with Graph Contrastive Learning
Shandong University（山东大学）；Alibaba Group（阿里巴巴集团）；Nanyang Technological University（南洋理工大学）
顺序推荐系统通过捕捉用户的动态行为模式来预测用户的下一次交互行为。现有的顺序推荐方法大多只利用单个交互序列的局部上下文信息，并仅基于项目预测损失来学习模型参数。因此，他们通常无法学习适当的序列表示。提出了一种新的推荐框架--图对比学习顺序推荐（GCL 4SR）。具体而言，GCL 4SR采用加权项目转换图（WITG），建立在所有用户的交互序列的基础上，提供全局上下文信息的每一个交互和削弱序列数据中的噪声信息。此外，GCL 4SR使用WITG的子图来增强每个交互序列的表示。还提出了两个辅助学习目标，以最大限度地提高由相同的交互序列在WITG上诱导的增强表示之间的一致性，并最小化由WITG上的全局上下文增强的表示与原始序列的局部表示之间的差异。在真实数据集上的大量实验表明，GCL 4SR始终优于最先进的顺序推荐方法。
2022-06-07 cs.AI cs.IR
A Novel Mamba-based Sequential Recommendation Method
Huawei Technologies Co., Ltd.（华为技术有限公司）
本文提出多头潜在Mamba架构Hydra，通过低维Mamba层和位置编码高效建模长序列用户行为，在显著降低参数和训练时间的同时超越现有序列推荐方法，并支持多域扩展。
2025-04-10 cs.AI cs.IR
HyMoERec: Hybrid Mixture-of-Experts for Sequential Recommendation
HyMoERec 提出混合专家架构与自适应融合机制，解决序列推荐中用户行为和物品复杂性异质性问题，并在两个数据集上超越现有最优方法。
2025-11-09 cs.AI cs.IR
Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation
East China Normal University（华东师范大学）；Shanghai Jiao Tong University（上海交通大学）；Beijing Institute of Technology（北京理工大学）；Tsinghua University（清华大学）
顺序推荐的目的是根据历史交互项目推荐目标用户将在不久的将来与之交互的项目。虽然建模时间动态对于顺序推荐至关重要，但大多数现有研究仅集中在用户侧，而忽略了对应物中存在的顺序模式，即，项目方。虽然一些研究调查的动态参与的双重方面，复杂的用户-项目的相互作用并没有充分利用从全球的角度来获得动态的用户和项目表示。在本文中，我们设计了一个新的动态表示学习模型的顺序推荐（DRL-SRe）。为了更好地建模用户-项目交互，从双方的动态特征，所提出的模型建立了一个全球用户-项目交互图的每个时间片，并利用时间片图神经网络学习用户和项目表示。此外，为了使该模型能够捕获细粒度的时间信息，我们提出了一个辅助的时间预测任务的连续时间片的时间点过程的基础上。在三个公开的真实数据集上的综合实验表明，DRL-SRe比最先进的顺序推荐模型有很大的优势。
2021-09-24 cs.AI cs.IR
Contrastive Self-supervised Sequential Recommendation with Robust Augmentation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce Research（Salesforce研究院）；UC San Diego（加州大学圣迭戈分校）
顺序推荐描述了一组对动态用户行为进行建模的技术，以便预测顺序用户数据中的未来交互。这些方法的核心是对序列中项目之间的转移概率进行建模，无论是通过马尔可夫链、递归网络还是最近的Transformers。然而，新老问题仍然存在，包括数据稀疏性和噪声数据;这些问题可能会影响性能，特别是在复杂的，参数饥饿的模型中。在本文中，我们研究应用对比自监督学习（SSL）的顺序推荐，作为一种方式来缓解这些问题。对比SSL从未标记的实例中构建增强，其中正对之间的协议最大化。由于顺序推荐的离散性、项目之间的相关性以及长度分布的偏斜性，设计用于顺序推荐的对比SSL框架具有挑战性。为此，我们提出了一个新的框架，对比自监督学习顺序推荐（CoSeRec）。我们引入了两个信息增强算子，利用项目相关性来创建高质量的对比学习视图。在三个真实数据集上的实验结果表明，该方法在提高模型性能和对稀疏和噪声数据的鲁棒性方面是有效的。我们的实现可在\url{https://github.com/YChen1993/CoSeRec}上在线获得
2021-08-14 cs.AI cs.IR
CSSR: A Context-Aware Sequential Software Service Recommendation Model
Northeastern University（东北大学）；RMIT University（皇家墨尔本理工大学）
我们提出了一种新的软件服务推荐模型，以帮助用户在GitHub中找到合适的存储库。我们的模型首先设计了一种新的上下文诱导的存储库图嵌入方法，利用丰富的上下文信息的存储库，以减轻数据稀疏性问题所造成的困难。然后，它首次在软件服务推荐字段中利用用户与存储库交互的序列信息。具体而言，采用基于深度学习的顺序推荐技术来捕获用户偏好的动态。针对一系列现有方法，对从GitHub收集的大型数据集进行了全面的实验。结果说明了我们的方法在各个方面的优越性。
2021-12-20 cs.AI cs.IR
Attention-based sequential recommendation system using multimodal data
Chungnam National University（忠南大学）；Ewha Womans University（梨花女子大学）
针对多模态数据未直接用于序列推荐的问题，提出基于注意力机制的方法，融合图像、文本和类别特征，通过注意力融合及多任务学习提升性能，在Amazon数据集上优于传统方法。
2024-05-28 cs.AI cs.IR
Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation
University of Technology Sydney（悉尼科技大学）；Tongji University（同济大学）；Wuhan University of Technology（武汉理工大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
由于知识图谱提供了丰富的信息，基于路径的可解释推荐系统的最新进展引起了越来越多的关注。大多数现有的可解释的推荐只利用静态的知识图谱，而忽略了动态的用户项演化，导致不太令人信服和不准确的解释。虽然有一些工作，认识到建模用户的时间顺序行为可以提高性能和可解释性的推荐系统，他们中的大多数要么只专注于建模用户的顺序交互路径内或独立和单独的推荐机制。本文提出了一种新的基于强化学习的时间元路径引导可解释推荐（TMER-RL），它利用带有注意力机制的连续项之间的强化项-项路径建模，在动态知识图谱上对动态用户-项演化进行顺序建模，以实现可解释推荐。与现有的作品，使用大量的递归神经网络模型的时间信息相比，我们提出了简单而有效的神经网络来捕捉用户的历史项目的功能和基于路径的上下文来表征下一个购买的项目。在两个真实世界数据集上对TMER进行的广泛评估显示，与最近的强基线相比，TMER具有最先进的性能。
2021-11-24 cs.AI cs.IR
Diffusion Augmentation for Sequential Recommendation
Xi’an Jiaotong University（西安交通大学）；City University of Hong Kong（香港城市大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出DiffuASR，利用扩散模型生成高质量增强序列数据，以缓解序列推荐中的数据稀疏和长尾用户问题，并可直接训练现有推荐模型。
2023-09-22 cs.AI cs.IR
Filter-enhanced MLP is All You Need for Sequential Recommendation
Renmin University of China（中国人民大学）；University of Chinese Academy of Sciences（中国科学院大学）；Chinese Academy of Sciences（中国科学院）
最近，深度神经网络，如RNN，CNN和Transformer已被应用于顺序推荐任务，其目的是从记录的用户行为数据中捕获动态偏好特征，以进行准确推荐。然而，在在线平台中，记录的用户行为数据不可避免地包含噪声，并且深度推荐模型容易在这些记录的数据上过拟合。为了解决这个问题，我们借用了信号处理中的滤波算法的思想，在频域中衰减噪声。在我们的实证实验中，我们发现，过滤算法可以大大提高代表性的顺序推荐模型，并集成简单的过滤算法（如带阻滤波器）与全MLP架构，甚至可以优于竞争基于变换的模型。受此启发，我们提出了\textbf{FMLP-Rec}，一个全MLP模型与学习过滤器的顺序推荐任务。全MLP结构赋予我们的模型较低的时间复杂度，可学习滤波器可以自适应衰减噪声信息在频域。在八个真实世界数据集上进行的大量实验表明，我们提出的方法优于竞争RNN，CNN，GNN和基于变换器的方法。我们的代码和数据可通过以下链接公开获取：\textcolor{blue}{\url{https://github.com/RUCAIBox/FMLP-Rec}}。
2022-02-28 cs.AI cs.IR
Calibration-Disentangled Learning and Relevance-Prioritized Reranking for Calibrated Sequential Recommendation
University of California, San Diego（加利福尼亚大学圣迭戈分校）
针对序列推荐中相关性与类别校准冲突的问题，提出 LeapRec，通过校准解耦训练损失和相关性优先重排序，在四个真实数据集上持续优于现有方法。
2024-08-04 cs.AI cs.IR
Scene-adaptive Knowledge Distillation for Sequential Recommendation via Differentiable Architecture Search
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Westlake University（西湖大学）；Tencent Kandian Group（腾讯看点事业部）；Huazhong University of Science and Technology（华中科技大学）
顺序推荐系统（SRS）因其对用户动态兴趣和顺序行为模式建模的能力而成为研究热点。为了最大限度地提高模型的表达能力，默认选择是应用更大更深的网络架构，然而，在生成在线推荐时，这通常会带来高网络延迟。当然，我们认为，压缩到中等或轻量级的神经网络的重型推荐模型是非常重要的实际生产系统。为了实现这样一个目标，我们提出了AdaRec，一个知识蒸馏（KD）框架，该框架通过使用可微神经结构搜索（NAS），根据推荐场景自适应地将教师模型的知识压缩到学生模型中。具体来说，我们引入了一个面向目标的蒸馏损失，以指导结构搜索过程中发现的学生网络架构，和成本敏感的损失作为约束的模型大小，从而实现了推荐的有效性和效率之间的一个优越的权衡。此外，在知识蒸馏过程中，我们利用地球移动器距离（EMD）实现多对多的层次映射，使每个中间学生层能够自适应地向其他中间教师层学习。在真实世界推荐数据集上的大量实验表明，与强大的同行相比，我们的模型具有竞争力或更好的准确性，具有显着的推理加速，同时在不同的推荐场景下发现了不同的顺序推荐模型的神经架构。
2022-04-10 cs.AI cs.IR
DisenPOI: Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation
Peking University（北京大学）；Meituan（美团）
针对POI推荐中序列与地理影响纠缠导致性能与可解释性下降的问题，提出解耦双图框架DisenPOI，利用对比学习提取解耦表示并通过自监督实现解耦，在三个数据集上验证了优越性。
2023-09-14 cs.AI cs.IR
Context-aware Sequential Recommendation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Northeastern University（东北大学）；Rice University（莱斯大学）
由于序列信息在用户行为建模中起着重要的作用，各种序列推荐方法已经被提出。基于马尔可夫假设的方法被广泛使用，但独立地结合了几个最新的组件。最近，基于递归神经网络（RNN）的方法已经成功地应用于几个顺序建模任务。然而，对于现实世界的应用，这些方法有困难的建模上下文信息，已被证明是非常重要的行为建模。在本文中，我们提出了一种新的模型，命名为上下文感知递归神经网络（CA-RNN）。CA-RNN采用自适应上下文特定输入矩阵和自适应上下文特定转移矩阵，而不是使用常规RNN模型中的常数输入矩阵和转移矩阵。自适应上下文特定输入矩阵捕捉用户行为发生的外部环境，如时间、位置、天气等，自适应上下文特定转移矩阵捕捉历史序列中相邻行为之间的时间间隔长度对全局序列特征转移的影响。实验结果表明，所提出的CA-RNN模型在两个公共数据集上，即，淘宝数据集和Movielens-1 M数据集。
2016-09-19 cs.AI cs.IR
Text Matching Improves Sequential Recommendation by Reducing Popularity Biases
Northeastern University（东北大学）；Carnegie Mellon University（卡内基梅隆大学）；Tsinghua University（清华大学）
该研究提出基于文本匹配的序列推荐模型TASTE，结合注意力稀疏方法建模长用户交互，在常用数据集上优于现有最优方法，可缓解冷启动、降低流行度偏差，提升推荐准确率。
2023-08-27 cs.AI cs.IR
GIMIRec: Global Interaction Information Aware Multi-Interest Framework for Sequential Recommendation
Nanjing University of Posts and Telecommunications（南京邮电大学）
基于多兴趣框架的顺序推荐将用户最近的交互序列建模为多个不同的兴趣向量，因为单个低维向量不能完全表示用户兴趣的多样性。然而，现有的模型大多只截取用户最近的交互行为作为训练数据，丢弃了大量的历史交互序列。这可能引起两个问题。一方面，反映用户多种兴趣的数据缺失;另一方面，历史用户-项目交互中项目之间的共现没有得到充分探索。针对这两个问题，本文提出了一种新的顺序推荐模型，称为“全局交互感知多兴趣顺序推荐框架（GIMIRec）”。具体而言，在不引入任何外部信息的情况下，首先提出了全局上下文提取模块，该模块从所有用户的历史交互序列中，根据每个项目对的约束同现数及其时间间隔计算加权同现矩阵，然后利用简化的图卷积得到每个项目的全局上下文嵌入.其次，捕获每个用户最近交互序列中每个项目对的时间间隔，并与全局上下文项目嵌入相结合，得到个性化项目嵌入。最后，一个基于自我注意力的多兴趣框架被应用到学习用户的不同兴趣的顺序推荐。在Amazon-Books、Taobao-Buy和Amazon-Hybrid三个真实世界数据集上的大量实验表明，GIMIRec在召回率、NDCG和点击率指标上的性能明显优于现有方法。此外，所提出的全局上下文提取模块可以很容易地移植到大多数顺序推荐模型。
2021-12-16 cs.AI cs.IR
DDGHM: Dual Dynamic Graph with Hybrid Metric Training for Cross-Domain Sequential Recommendation
Zhejiang University（浙江大学）
顺序推荐（SR）通过对用户在项目之间的转换进行建模来描述用户行为的演变模式。然而，短的交互序列限制了现有的SR的性能。为了解决这个问题，我们专注于跨域顺序推荐（CDSR）在本文中，旨在利用其他领域的信息，以提高顺序推荐性能的一个领域。解决CDSR具有挑战性。一方面，如何在保持单一领域偏好的同时，整合跨领域的影响力仍然是一个关键问题。另一方面，由于合并序列的长度有限，数据稀疏性问题不能完全通过简单地利用其他领域的知识来解决。为了应对这些挑战，我们提出了DDGHM，一个新的框架CDSR问题，其中包括两个主要模块，即，双动态图建模和混合度量训练。前者通过动态构造两级图来捕捉域内和域间的顺序转换，即，局部图和全局图，并将它们与融合注意门控机制相结合。后者通过采用混合度量学习来增强用户和项目表示，包括用于实现对齐的协作度量和用于保持一致性的对比度量，以进一步缓解数据稀疏问题并提高预测精度。我们在两个基准数据集上进行了实验，结果证明了DDHMG的有效性。
2022-09-21 cs.AI cs.IR
Alleviating User-Sensitive bias with Fair Generative Sequential Recommendation Model
School of Information Management Nanjing University（信息管理学院 南京大学）
本文提出基于扩散模型的公平生成式序列推荐模型FairGENRec，通过在训练阶段注入随机噪声与消除敏感特征偏差的多兴趣表示，并在推理阶段反向重构目标物品，实现了推荐准确性与公平性的双重提升。
2025-07-15 cs.AI cs.IR
Dual Conditional Diffusion Models for Sequential Recommendation
The University of New South Wales（新南威尔士大学）；Adobe Research（奥多比研究院）；University of Technology Sydney（悉尼科技大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）
本文提出 DCRec 双重条件扩散模型，通过在前向与反向扩散过程中融合隐式表示和显式交互信号，并设计 DCDT 交叉注意力机制，提升序列推荐的准确率与计算效率。
2025-03-18 cs.AI cs.IR
Customizing Language Models with Instance-wise LoRA for Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）；Electronic Science Research Institute of China Electronics Technology Group Corporation（中国电子科技集团公司电子科学研究院）
针对序列推荐中LoRA统一应用导致的负迁移问题，提出实例级LoRA（iLoRA），结合混合专家框架与门控函数，实现个性化参数调整，在命中率上相对提升11.4%。
2025-01-21 cs.AI cs.IR
TTT4Rec: A Test-Time Training Approach for Rapid Adaption in Sequential Recommendation
Eller College of Management, University of Arizona（亚利桑那大学埃勒管理学院）
本文提出TTT4Rec框架，将测试时训练引入序列推荐，在推理阶段通过自监督学习持续更新模型参数，以应对长序列、数据有限及用户行为多变场景，并在三个数据集上取得与最先进模型相当或更优的性能。
2024-09-27 cs.AI 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
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
Multi-Perspective Attention Mechanism for Bias-Aware Sequential Recommendation
organization= College of Computer；Data Science , addressline= Fuzhou University , city= Fuzhou , postcode= 350108 , country= China
针对序列推荐中偏差放大导致马太效应及用户偏好动态捕捉不足的问题，本文提出MABSRec模型，通过重构用户序列、图神经网络物品加权和自适应多偏差视角注意力模块提升推荐准确性。
2025-02-26 cs.AI cs.CL 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
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
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
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
TV-Rec: Time-Variant Convolutional Filter for Sequential Recommendation
KAIST（韩国科学技术院）
TV-Rec通过引入时间变换单元卷积滤波器，提升了序列推荐中对复杂用户行为交互模式的捕捉能力，同时减少了计算量并加速了推理过程。
2025-10-29 cs.AI cs.IR cs.LG
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
Sparse Autoencoders for Sequential Recommendation Models: Interpretation and Flexible Control
Sber AI Lab（Sber AI实验室）；Sber AI Lab, HSE University（Sber AI实验室，霍普金斯大学）
本文提出利用稀疏自编码器改进序列推荐模型的可解释性与可控性，通过无监督学习提取更清晰的特征表示，提升推荐系统的灵活性和适应性。
2026-02-17 cs.AI cs.IR cs.LG
Does It Look Sequential? An Analysis of Datasets for Evaluation of Sequential Recommendations
Sber AI Lab（Sber AI实验室）；Lomonosov Moscow State University (MSU)（莫斯科罗蒙诺索夫国立大学）
本文通过随机打乱用户交互序列并比较指标，评估了15个常用序列推荐数据集的序列结构强度，发现部分流行数据集的序列结构相当弱。
2024-08-21 cs.AI cs.IR cs.LG
Sequential Recommendation Model for Next Purchase Prediction
Ernst & Young LLP（安永会计师事务所）
本文利用270万笔信用卡交易数据，提出结合自编码器与GRU的序列推荐模型预测用户下次购买，在样本外测试集上MAP@1达47%，并探讨了将其嵌入Nexus实时数字体验架构的应用意义。
2023-06-30 cs.AI cs.IR cs.LG
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
