Caser

概述

Tang 与 Wang 于 WWW 2018 提出的 CNN 序列推荐方法，用水平和垂直卷积捕获序列模式，但感受野受限，后被 SASRec 以显著效率优势超越。

关键内容

1. 论文信息：标题 "Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding"，作者 Jiaxi Tang 与 Ke Wang，发表于 WWW 2018（KDD 2018 也有相关版本）。

2. 核心方法：将用户历史交互序列视为二维图像（用户嵌入 × 序列位置），通过水平卷积（捕获序列模式）和垂直卷积（捕获点级特征）进行特征提取。CNN 支持并行计算，但感受野受限于卷积核大小，捕获长程依赖需要堆叠多层。

3. 与 SASRec 的对比：SASRec 在训练速度上比 Caser 快约 11 倍（MovieLens-1M 上 ~350 秒 vs ~3,850 秒），且在所有指标上均优于 Caser。Self-Attention 的任意位置直接连接（O(1) 最短路径）相比 CNN 的局部感受野在序列推荐中具有明显优势。

4. 局限性：卷积操作的局部相关性先验假设并不完全适用于用户行为序列；长程依赖需要深层堆叠；感受野受限于卷积核大小。

来源

• Caser 原始论文 (WWW 2018)

相关

• SASRec — 在效果和效率上全面超越 Caser
• GRU4Rec — Caser 对比的 RNN 基线
• FPMC — Caser 对比的 MC 基线
• 序列推荐 — Caser 解决的核心场景