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
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
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
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
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
Designing a Sequential Recommendation System for Heterogeneous Interactions Using Transformers
虽然许多生产就绪和鲁棒的算法可用于推荐系统的任务，但这些系统中的许多系统不考虑用户的消费顺序。消费的顺序在许多场景中非常有用和重要。一种这样的场景是教育内容推荐，其中用户通常遵循朝向更高级课程的渐进路径。研究人员已经使用RNN构建了序列推荐系统和其他处理序列的模型。顺序推荐系统试图通过读取用户的历史来预测用户的下一个事件。随着Transformers在自然语言处理中的巨大成功，以及它们使用注意力机制来更好地处理序列，已经有人尝试使用这一系列模型作为新一代顺序推荐系统的基础。在这项工作中，通过将每个用户与项目的交互转换为一系列事件，并基于我们的架构上的Transformers，我们试图使这样一个模型，考虑到不同类型的事件的使用。此外，通过认识到某些事件必须在其他类型的事件发生之前发生，我们试图修改架构以反映这种依赖关系并增强模型的性能。
2022-04-30 cs.IR
Learning to Structure Long-term Dependence for Sequential Recommendation
顺序推荐基于用户的历史动作的顺序推荐项目。它的关键挑战是如何有效地建模从远距离动作到要预测的动作的影响，即，承认长期依赖结构;这仍然是一个未充分探讨的问题。为了更好地模拟长期依赖结构，我们在这项工作中提出了一个GatedLongRec解决方案。为了考虑长期依赖性，GatedLongRec利用顶部$k$门控网络提取顶部$k$相关类别与用户的持续意图的距离动作，并利用长期编码器来编码这些识别的动作之间的转换模式。由于用户意图无法直接观察到，因此我们利用了有关操作的可用边信息，即，其相关项目的类别，以推断意图。端到端训练被执行以估计意图表示并预测用于顺序推荐的下一个动作。在两个大数据集上的实验表明，该方法能够识别长期依赖的结构，从而大大提高了顺序推荐的性能。
2020-01-30 cs.IR
Brownian Bridge Diffusion 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）；ByteDance China（字节跳动中国）
本文提出基于偏好桥接的扩散推荐(BBDRec)，通过构建目标物品与用户历史之间的结构化扩散轨迹，改进传统基于噪声的序列推荐方法，实验表明其在多个公开数据集上表现优越。
2026-05-11 cs.IR
Enhancing Sequential Music Recommendation with Negative Feedback-informed Contrastive Learning
针对序列音乐推荐场景，提出融合跳过等负反馈的序列感知对比子任务，优化会话嵌入空间结构，在三个数据集的多项指标上均取得稳定性能提升。
2024-09-11 cs.IR
Dynamic Graph Neural Networks for Sequential Recommendation
从用户的历史偏好序列中建模用户偏好是顺序推荐的核心问题之一。该领域现有的方法从常规方法到深度学习方法分布广泛。然而，大多数的模型只在自己的序列内的用户的兴趣，而忽略了不同的用户序列之间的动态协作信号，使得它不足以探索用户的偏好。我们从动态图神经网络中获得灵感来应对这一挑战，将用户序列和动态协作信号建模到一个框架中。本文提出了一种动态图神经网络的顺序推荐方法（DGSR），该方法通过动态图结构连接不同的用户序列，利用时间和顺序信息来研究用户和项目的交互行为。此外，我们设计了一个动态图推荐网络，从动态图中提取用户的偏好。因此，顺序推荐中的下一个项目预测任务被转换为动态图中的用户节点和项目节点之间的链接预测。在三个公共基准上的大量实验表明，DGSR优于几种最先进的方法。进一步的研究证明了通过动态图对用户序列建模的合理性和有效性。
2021-07-27 cs.IR
Fusing Similarity Models with Markov Chains for Sparse Sequential Recommendation
个性化序列行为预测是推荐系统的一个关键任务。为了预测用户动作，例如要购买的下一个产品、要观看的电影或要访问的地方，必须考虑长期用户偏好和顺序模式（即，短期动态）。矩阵分解和马尔可夫链方法已经成为两个独立但强大的范式，分别为这两个建模。结合这些想法，导致了统一的方法，同时适应长期和短期的动态建模成对用户项目和项目项目的相互作用。尽管这些方法在处理密集数据方面取得了成功，但它们受到稀疏性问题的挑战，稀疏性问题在现实世界的数据集中很普遍。近年来，基于相似性的方法已经被提出用于（序列未知）项目推荐，在稀疏数据集上取得了令人满意的结果。在本文中，我们提出了这样的方法与马尔可夫链融合，使个性化的顺序推荐。我们在各种大型真实数据集上评估我们的方法Fossil。我们在定量上表明，Fossil优于其他算法，特别是在稀疏数据集上，在定性上表明，它捕获了个性化的动态，并能够提出有意义的建议。
2016-09-28 cs.IR
Are ID Embeddings Necessary? Whitening Pre-trained Text Embeddings for Effective Sequential Recommendation
本文研究了仅依赖文本特征无需ID嵌入的序列推荐，发现预训练文本嵌入的各向异性阻碍性能，提出利用白化变换将其转为各向同性的WhitenRec+集成方法，在三个基准数据集上优于现有方法。
2024-02-16 cs.IR
CITIES: Contextual Inference of Tail-Item Embeddings for Sequential Recommendation
顺序推荐技术通过处理随时间变化的用户偏好，为用户提供适合其当前偏好的产品推荐。以前的研究集中在对序列动态进行建模，而没有太多地考虑哪种最畅销的产品（即，标题项目）或利基产品（即，尾项）。我们仔细研究的结构原因，为什么尾项几乎没有在当前的顺序推荐模型，其中包括一个项目嵌入层，一个序列建模层，和一个推荐层。设计良好的序列建模和推荐层有望自然地学习合适的项目嵌入。然而，尾项可能达不到这一预期，因为当前的模型结构不适合在数据不足的情况下学习高质量的嵌入。因此，尾项很少被推荐。为了消除这个问题，我们提出了一个名为CITIES的框架，其目的是通过使用多个上下文头项训练嵌入推理函数来提高尾项嵌入的质量，从而不仅提高尾项的推荐性能，而且提高头项的推荐性能。此外，我们的框架可以推断新的项目嵌入，而无需额外的学习过程。在两个真实数据集上的大量实验表明，将CITIES应用于最先进的方法可以提高尾项和头项的推荐性能。我们进行了一个额外的实验，以验证CITIES可以推断出合适的新项目嵌入。
2021-05-23 cs.IR
Sequential Recommendation with Causal Behavior Discovery
顺序推荐的关键在于准确的项目相关性建模。以往的模型基于项目共现来推断这些信息，这可能无法捕获真正的因果关系，并影响推荐性能和可解释性。在本文中，我们配备了一个新的因果关系发现模块的顺序推荐用户行为之间的因果关系。我们的总体思路是首先假设一个因果图的项目相关性，然后我们学习因果图与顺序推荐模型通过拟合真实的用户行为数据。更具体地说，为了满足因果关系的要求，因果图正则化的可微有向无环约束。考虑到推荐系统中的项目数量可能非常大，我们用一组统一的潜在聚类来表示不同的项目，并在聚类级别上定义因果图，从而增强了模型的可扩展性和鲁棒性。此外，我们提供了理论分析的学习因果图的可识别性。据我们所知，本文提出了第一步相结合的顺序推荐与因果发现。为了评估推荐性能，我们用不同的神经顺序架构实现了我们的框架，并将它们与许多基于真实世界数据集的最先进的方法进行了比较。实证研究表明，我们的模型可以平均提高性能约7%和11%，分别为f1和NDCG。为了评估模型的可解释性，我们构建了一个新的数据集，其中包含人类标记的解释，用于定量和定性分析。
2022-12-13 cs.IR
Text Is All You Need: Learning Language Representations for Sequential Recommendation
本文提出Recformer框架，将物品表示为文本句子序列，通过结合语言理解与推荐任务的预训练和微调学习语言表示，有效解决序列推荐中的冷启动和跨数据集迁移问题。
2023-05-26 cs.IR
Graph and Sequential Neural Networks in Session-based Recommendation: A Survey
本综述全面概述了基于会话的推荐（SR）的研究进展，将现有方法分为基于序列神经网络和图神经网络两类，并探讨了其挑战与未来方向。
2025-07-14 cs.IR
Seq2seq Translation Model for Sequential Recommendation
产品类别等上下文信息在顺序推荐中起着至关重要的作用。近年来，人们对上下文感知的顺序推荐系统越来越感兴趣。现有的研究往往把上下文作为辅助特征向量，而没有考虑上下文的顺序依赖性。然而，这种依赖性提供了有价值的线索来预测用户的未来行为。例如，用户可能在他/她购买电子产品之后购买电子配件。在本文中，我们提出了一种新的seq 2seq翻译架构，突出顺序依赖的顺序推荐上下文的重要性。具体来说，我们首先构建一个附带的上下文序列，除了主要的互动序列。然后，我们概括了最近的进展，翻译模型从两种语言的单词序列的项目和上下文的推荐系统中的序列。以类别信息作为项目的上下文，我们开发了一个基本的耦合和一个扩展的三重seq 2seq翻译模型来编码项目和上下文序列之间的类别-项目和项目-类别-项目的关系。我们在三个真实世界的数据集上进行了广泛的实验。结果表明，与最先进的基线相比，所提出的模型的优越性能。
2020-01-14 cs.IR
Modeling Sequential Recommendation as Missing Information Imputation
边信息被广泛用于提高顺序推荐模型的有效性。据说它有助于捕捉项目之间的过渡模式。以往的顺序推荐工作大多采用边信息分别对项目ID和边信息进行建模，这可能无法完全建模项目和它们的边信息之间的关系。此外，在现实世界的系统中，并不是所有的项目特征字段的值都是可用的。这损害了依赖于边信息的模型的性能。现有的方法倾向于忽略缺失项目特征字段的上下文，并且用通用或特殊值填充它们，例如，未知，这可能导致次优性能。为了解决边信息顺序排序器的局限性，我们定义了一种方法来融合边信息，并通过提出一个统一的任务来缓解边信息缺失的问题，即缺失信息填补（MII），它随机屏蔽给定序列中的一些特征字段，包括项目ID，然后强制预测模型来恢复它们。通过将下一个项目视为缺失的特征字段，顺序推荐可以被公式化为MII的特殊情况。我们提出了一个顺序推荐模型，称为缺失信息填补推荐（MIIR），建立在MII的思想，同时填补缺失项目的特征值，并预测下一个项目。我们设计了一个密集融合自注意（DFSA）机制MIIR捕捉项目和他们的边信息之间的所有成对关系。三个基准数据集的实证研究表明，MIIR，由MII监督，实现了显着更好的顺序推荐性能比最先进的基线。
2023-02-21 cs.IR
SimRec: Mitigating the Cold-Start Problem in Sequential Recommendation by Integrating Item Similarity
针对序列推荐的冷启动问题，提出融合物品相似度的SimRec方法，通过定制损失函数在不增加模型参数和推理耗时的前提下提升推荐效果，在稀疏数据集和稀有物品场景下表现显著优于基线模型。
2024-10-29 cs.IR
Towards Communication Efficient and Fair Federated Personalized Sequential Recommendation
联合推荐利用联邦学习（FL）技术来进行隐私保护推荐。虽然联邦推荐系统近年来取得了一定的成功，但仍面临着一些重要的挑战：（1）大多数联邦推荐模型只考虑模型的性能和隐私保护能力，而忽略了通信过程的优化：（2）大多数联邦推荐系统是针对异构系统设计的，导致了联邦过程中的不公平问题;（iii）个性化技术在许多联合推荐系统中的研究较少。在本文中，我们提出了一个通信效率和公平的个性化联邦个性化顺序推荐算法（CF-FedSR）来解决这些挑战。CF-FedSR引入了一种通信高效的方案，该方案采用自适应客户端选择和基于聚类的采样来加速训练过程。提出了一种基于公平性的模型聚合算法，该算法能够自适应地捕捉不同客户端之间的数据和性能不平衡，以解决模型聚合过程中的不公平问题。个性化模块帮助客户进行个性化推荐，并通过局部微调和模型自适应来提高推荐性能。大量的实验结果表明，我们提出的方法的有效性和效率。
2022-08-24 cs.IR
PTF-FSR: A Parameter Transmission-Free Federated Sequential Recommender System
本文提出无参数传输的联邦序列推荐框架PTF-FSR，通过仅传输隐私保护下的预测结果，同时保护模型与数据隐私，并支持更大规模序列推荐模型。
2024-06-08 cs.IR
Linear Recurrent Units for Sequential Recommendation
针对基于自注意力的序列推荐模型计算成本高、增量推理难的问题，提出具备快速推理、可增量推理、并行训练等优势的LRURec，经实验验证其性能与效率均优于现有基线。
2023-11-08 cs.IR
MARS: Matching Attribute-aware Representations for Text-based Sequential Recommendation
针对文本序列推荐中多属性表示与复杂兴趣匹配两大难题，本文提出MARS模型，通过属性感知编码和属性级交互匹配捕获细粒度偏好，在五个基准数据集上显著超越现有方法。
2024-09-04 cs.IR
Behavior-Dependent Linear Recurrent Units for Efficient Sequential Recommendation
本文提出 RecBLR 模型，利用行为依赖线性循环单元、门控机制和定制 CUDA 扫描加速，同时实现序列推荐的高性能、高效训练与低成本推理。
2024-09-05 cs.IR
Multimodal Difference Learning for Sequential Recommendation
针对现有序列推荐方法难以建模多模态差异的问题，提出多模态差异学习框架MDSRec，通过模态感知物品关系图和兴趣中心化注意力机制分别建模物品关系与用户兴趣的模态差异，在五个真实数据集上性能优于现有最优基线。
2024-12-11 cs.IR
Invariant representation learning for sequential recommendation
针对现有序列推荐方法易忽略伪关系的问题，本文提出基于不变学习的Irl4Rec框架，通过纳入伪变量与调整变量的关系识别伪关系，性能优于三类典型方法，消融实验验证了其检测伪关系的关键作用。
2024-10-07 cs.IR
Online Distillation-enhanced Multi-modal Transformer for Sequential Recommendation
本文针对多模态序列推荐提出模型无关的在线蒸馏增强多模态Transformer（ODMT）框架，通过ID感知多模态Transformer和在线蒸馏策略促进多源特征交互与相互学习，在流媒体和电商数据集上相比基线模型性能提升约10%。
2023-08-14 cs.IR
Sequential Recommendation with Latent Relations based on Large Language Model
本文提出了一种基于大语言模型和离散状态变分自编码器的潜在关系发现（LRD）序列推荐框架，利用LLM挖掘物品间潜在关系以克服预定义关系的稀疏性，显著提升了推荐性能。
2024-03-27 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
Learnable Sequence Augmenter for Triplet Contrastive Learning in Sequential Recommendation
提出可学习序列增强器LACLRec，通过自监督增强生成高质量序列并设计三元组对比损失，在三个真实数据集上显著提升序列推荐准确性。
2025-03-26 cs.IR
Gaussian Mixture Flow Matching with Domain Alignment for Multi-Domain Sequential Recommendation
针对多域序列推荐中域转换复杂、数据不平衡及扩展难的问题，提出GMFlowRec生成框架，利用高斯混合流匹配建模域感知轨迹，结合双掩码Transformer与域对齐先验，在京东和亚马逊数据集上NDCG@5提升高达44%。
2025-10-23 cs.IR
