序列推荐

概述

将用户行为建模为有序序列，利用历史交互的时序模式预测下一次交互，涵盖会话推荐和长期序列建模两大场景，是深度学习在推荐系统中的主流范式之一。

关键内容

1. 核心思想：用户行为不是独立同分布的随机事件，而是具有内在时序逻辑的序列。通过建模序列中的依赖关系（短期意图 + 长期偏好），预测用户下一次交互。

2. 技术演进路线：

3. 2015 前：马尔可夫链（一阶/高阶转移概率），状态空间爆炸限制扩展
4. 2016：GRU4Rec 首次将深度 RNN（GRU）引入序列推荐，开创深度学习方向
5. 2017：NARM（GRU + 注意力，区分全局/局部意图）、HRNN（层次化 RNN，跨会话建模）
6. 2018：STAMP（纯注意力，无 RNN）、SASRec（自注意力 Transformer，单向序列建模）
7. 2019：BERT4Rec（双向 Transformer，Cloze 任务训练）、SR-GNN（图神经网络）
8. 2020+：自监督学习（SSE-PT, CL4SRec）、对比学习等新范式

9. 2024-2025：大语言模型赋能推荐（LLM4Rec）

10. 与协同过滤的对比：传统 CF 假设用户身份可识别且有长期历史，通过用户-物品矩阵学习低秩表示；序列推荐不依赖用户身份，聚焦行为序列中的时序模式，更适合匿名用户和动态意图场景。

11. 关键建模能力：

12. 短期意图捕获：会话内点击序列反映即时兴趣
13. 长期偏好建模：跨会话行为序列反映稳定偏好
14. 动态兴趣演化：用户兴趣随时间变化的轨迹

15. 位置偏差处理：避免过度依赖最近点击而忽视早期信号

16. 评估指标：Recall@K（召回率）、MRR@K（平均倒数排名）、NDCG@K（归一化折扣累积增益）。

17. 现代框架中的位置：在 NVIDIA Merlin / Transformers4Rec 等框架中，从 GRU4Rec 到 Transformer 的完整模型谱系被保留，工程师根据会话长度、延迟要求、计算资源选择合适方案。经过精心调优的 GRU4Rec 在某些数据集上仍不弱于 SASRec 和 BERT4Rec。

来源

• GRU4Rec 原始论文 (arXiv)
• SASRec 论文
• BERT4Rec 论文

相关

• 会话推荐 — 序列推荐的子场景（仅单会话）
• GRU4Rec — 开创深度序列推荐方向
• SASRec — 自注意力 Transformer 架构
• BERT4Rec — 双向 Transformer 架构
• 马尔可夫 — 传统序列建模方法
• 协同过滤 — 不依赖序列信息的传统方法
• Recall@K — 主要评估指标
• MRR — 主要评估指标