推荐系统（一）—— 序列推荐系统综述

《Sequential Recommender Systems: Challenges, Progress and Prospects》

• IJCAI2019
• 内容介绍
  ​
  这是一篇关于序列推荐系统的综述，发表在IJCAI2019上。

​ 论文介绍了SRSs的特点，然后对该研究领域的关键挑战进行了总结和分类，接着是相应的研究进展，包括该课题最新的和有代表性的进展。最后，讨论了该领域的重要研究方向。

(一) 根据数据的特征，有以下五种主要挑战，包括长序、灵活顺序依赖（集合之间的依赖）、带噪音的序列、异构的序列（例如长期依赖短期依赖不同，需要分别建模）、层次结构的序列（例如序列与子序列）。

(二) 相应地研究进展如下图所示，包括

1.传统的序列模型

• 序列模式挖掘，产生大量冗余模式，而且容易丢失不常见的模式及项目。（×）
• 马尔科夫链模型，只能捕获短期依赖，且只能捕获point-wise之间的依赖而忽略集合之间的依赖。（×）

2.潜在表征模型

• 分解机模型，容易受到观测数据稀疏性的影响（×）
• 嵌入模型，将序列中的所有用户项交互编码到潜在空间，从而为每个用户和每个后续项目学习潜在的表示形式。可以将学习到的潜在表示作为网络的输入，也直接利用它们来计算诸如欧几里得距离之类的指标作为互动得分，具有潜力。

3.深度神经网络模型

• 基础深度神经网络
  • RNN-based SRSs，处理长期依赖有优势。也有2个缺点。一是由于过强的假设（序列中的任何相邻交互都必须是依赖项），因此容易产生伪造的依赖项。二是在忽略集体依赖性的情况下才可能捕获逐点依赖性。
  • CNN-based SRSs，能克服RNN-based SRSs的2个缺点，自身存在缺点，无法捕捉长期依赖，
  • GNN-based SRSs，有潜力，处于早期阶段。
• 先进模型
  • Attention models，能处理带有噪声的交互序列。
  • Memory networks，能够明确和动态的顺序存储和更新历史交互，具有潜力，缺少相关研究。
  • Mixture models，结合了不同的模型，这些模型擅长捕获各种依赖关系，从而增强了整个模型捕获各种依赖关系以提供更好建议的能力，具有潜力，处于初期阶段。

(三) 并提出了未来的四个主要研究方向。

1. Context-aware sequential recommender systems，考虑context随时间的变化，比如一个用户之前是苹果粉丝，现在是华为三星的粉丝。
2. Social-aware sequential recommender systems，考虑社交的影响力，例如他人的行为或者建议。
3. Interactive sequential recommender systems，考虑用户与购物平台的互动，来产生multi-time step的推荐而非one action at a single time step的推荐。
4. Cross-domain sequential recommender systems，通过利用来自其他域的信息和来自不同域的更多样化推荐来生成更准确推荐，跨域的一个例子是买车后买保险.