Sequential Recommender Systems: Challenges, Progress, and Future Directions

摘要

近年来，序列推荐系统（SRS）作为一个新兴的研究方向，逐渐受到学术界和工业界的广泛关注。相较于传统的推荐系统（RS），如协同过滤与基于内容的过滤方法，SRS更加注重对用户行为序列、用户与项目之间的交互过程以及用户偏好和项目流行度随时间变化的建模。该类系统通过深入分析上述多个维度，能够更精准地刻画用户的上下文环境、行为意图及目标，同时捕捉项目的消费趋势，从而生成更为准确、个性化且具备动态适应性的推荐结果。本文围绕SRS展开系统性综述工作。首先阐述SRS的核心特征，继而归纳并分类该领域所面临的关键挑战，并对相关研究进展进行梳理，涵盖当前最新的研究成果及具有代表性的技术演进。最后，我们探讨了这一快速发展的研究领域中值得关注的重要未来研究方向。

1 Introduction

序列推荐系统（SRS）通过建模用户与项目之间的交互序列（如在在线购物平台上的浏览或购买行为），以预测用户可能感兴趣的项目。传统的推荐系统（RS），包括基于内容的协同过滤方法，通常采用静态方式对用户-项目互动进行建模，仅能反映用户的普遍偏好。相较之下，SRS将用户-项目交互视为动态发展的序列，并考虑其顺序依赖关系，从而捕捉用户的即时和近期偏好，以实现更为精准的推荐[Chen等人，2018]。为加深对SRS的理解，以下将阐述其动机及形式化表达。
动机：为何引入顺序推荐系统？
用户与项