【文獻閱讀】 2019-IJCAI-Sequential Recommender Systems Challenges, Progress and Prospects

說明

  1.原文鏈接
  2.此處將Sequential Recommender Systems 翻譯爲序列推薦系統，具體定義參見下文的形式化定義。
  3.本篇爲頂會IJCAI上的文章，給出關於此會議其他推薦系統的文章參考。

標題

  序列推薦系統的挑戰、進展和前景
  作者：$ShoujinWang^1, Liang Hu^2, Yan Wang^1, Longbing Cao^2, Quan Z. Sheng^1, Mehmet Orgun^1$
  單位：
    1：Department of Computing, Macquarie University
    2：Advanced Analytics Institute, University of Technology Sydney

摘要

  近年來，序列推薦系統(SRSs)這一新興的研究課題越來越受到人們的關注。與包括基於協同過濾和基於內容的傳統的推薦系統(RSs)不同，SRSs試圖理解和建模用戶的行爲序列中用戶和項目之間的交互，以及用戶的偏好和項目的流行度隨時間的演變。SRSs涉及上述方面，以更精確地描述用戶上下文、意圖和目標，以及項目消費趨勢，產生更準確、定製化和動態的推薦。本文對SRSs進行了系統的綜述。我們首先介紹了SRSs的特點，然後對該研究領域的關鍵挑戰進行了總結和分類，接着是相應的研究進展，包括該課題最新的和有代表性的進展。最後，討論了該領域的重要研究方向。

1 介紹

  序列推薦系統(SRSs)主要通過對用戶-物品交互(例如，在線購物平臺上查看或購買物品)上的序列相關性建模，來推薦用戶可能感興趣的物品。傳統的推薦系統(RSs)，包括基於內容和協同過濾的RSs，以靜態的方式對用戶-項目交互進行建模，只能捕獲用戶的一般偏好。相比之下，SRSs將用戶-項目交互視爲一個動態序列，並將序列相關性考慮在內，以捕獲用戶當前和最近的偏好，以獲得更準確的推薦[Chen et al.， 2018]。爲了加深對SRSs的理解，接下來我們介紹了SRSs的動機和形式化。

動機：爲什麼需要序列推薦系統

  用戶-項目交互基本上是順序相關的。 在現實世界中，用戶的購物行爲通常是按順序依次發生的，而不是孤立的。以圖1所示的Jimmy的購物事件爲例，在Jimmy開始度假之前，他先後預定了機票和酒店，租車，接下來的行動可能是自駕遊一個旅遊景點。在這種情況下，酒店可能離航班目的地機場很近，租車地點可能離酒店不遠。在這個場景中，Jimmy的下一個操作都依賴於前一個操作，因此所有四個消費操作都是順序依賴的。同樣，我們可以看到蒂娜案例中的順序依賴關係。這種順序依賴關係通常存在於事務數據中，但傳統的基於內容的RSs或協同過濾RSs無法很好地捕捉到[Kang et al.， 2018]，這從本質上推動了SRSs的發展。

  隨着時間的推移，用戶的偏好和項目的受歡迎程度都是動態的，而不是靜態的。 事實上，用戶的偏好和品味可能會隨着時間而改變。例如，許多曾經是iPhone迷的年輕人現在變成了華爲或三星手機的粉絲，而iPhone的受歡迎程度近年來一直在下降。這樣的動態對於精確地分析用戶或項目以獲得更精確的推薦非常重要，並且它們只能被SRSs捕獲。
  用戶-項目交互通常發生在特定的連續上下文中。 不同的上下文通常會導致不同的用戶與條目之間的交互，然而，傳統的RSs(如協同過濾)常常忽略了這一點。相反，SRs將先前的順序交互作爲上下文來預測哪些項將在不久的將來交互。因此，通過避免重複推薦那些與已經選擇的項目相同或相似的項目，更容易使推薦結果多樣化。

形式化定義：什麼是序列推薦系統

  通常，SRS將一系列user-item交互作爲輸入，並試圖通過建模在user-item交互序列中潛在的複雜順序相關性來預測在不久的將來可能發生的後續user-item交互。更具體地說，給定一個用戶-項目交互序列，通過最大化效用函數值(例如，似然函數)，生成一個由排名最高的候選項目組成的推薦列表，如下所示:
$R = arg max f(S)....................................... (1)$
  其中 f 是輸出候選項排名分數的效用函數，它可以是多種形式的，如條件概率[Wang et al.， 2018]，或交互分數[Huang et al.， 2018]。S = {i₁,i₂,…,i_|s|}是一個用戶-項目交互序列，其中每個交互i_j =< u,a,v >是一個三組成的用戶,用戶的動作,和相應的條目訴在某些情況下,用戶和項目相關的一些元數據(例如,人口或功能),而行爲可能有不同的類型(例如,單擊,添加到購物車,購買)和發生在不同上下文(例如,時間、地點、天氣)。輸出R是根據排名分數排序的項目列表。
  與一般的序列建模不同，在一般的序列建模中，序列結構要簡單得多，因爲序列通常是由原子元素(例如，實值、基因)組成的，而SRSs中的學習任務更具有挑戰性，因爲序列結構更復雜(例如，每個元素是一個三元組)。這促使我們系統地分析SRSs面臨的挑戰，並總結相應的進展。

貢獻

• 我們系統地分析了SRSs中不同數據特徵所帶來的一系列關鍵挑戰，並從數據驅動的角度對它們進行了分類，這爲深入理解SRSs的特徵提供了一個新的視角。
• 我們從技術的角度系統地對藝術作品進行了分類，總結了SRSs目前的研究進展。
• 我們分享和討論SRSs的一些前景，以供參考。

2 數據特徵及挑戰

  由於顧客購物行爲、物品特徵以及現實世界中特定的購物情境的多樣性和複雜性，所生成的用戶-物品交互數據往往具有不同的特徵。不同的數據特徵本質上給SRSs帶來了不同的挑戰，需要不同的解決方案，如表1所示。在接下來的五個小節中，我們將分別具體討論由不同數據特徵引起的SRSs中的五個關鍵挑戰。在每個小節中，我們首先介紹特定的數據特徵，然後說明相應的挑戰。

2.1 處理長用戶-項目交互序列

  一個較長的用戶-項目交互序列由相對大量的用戶-項目交互組成。因此，在其內部的多個交互上有更復雜和更全面的依賴關係的可能性要大得多，這使得序列推薦更具挑戰性。具體來說，長用戶-項目交互序列中兩個最關鍵的挑戰是 學習高階順序依賴關係 和 學習長期順序依賴關係，下面將分別介紹這兩個問題。

學習高階序列依賴關係

  高階序列依賴關係通常存在於用戶-商品交互序列中，尤其是長序列中。相較而言，低階序列依賴相當簡單，它能輕易地通過馬爾科夫模型[Garcin et.al.，2013]或因子分解機[Rendel et.at.，2010；Hidasi and Tikk，2016]建模。而由於其複雜的多級級聯依賴關係跨越多個用戶項交互，因此高階序列依賴關係更加複雜，也更難捕獲。到目前爲止，已經有兩種基本方法在一定程度上能解決序列推薦系統中的這個挑戰： 高階馬爾科夫模型[He and McAuley，2016] 和 循環神經網絡[Hidasi et al.，2016a] 。然而，每一種方法都有自身的限制，例如，包含在高階馬爾科夫模型中的歷史狀態是相當有限的，因爲要被估計的模型參數的數量隨着階數的增長呈現指數型增長，而循環神經網絡中的過強的次序假設限制了循環神經網絡在序列中應用的靈活性。

學習長期序列依賴關係

  長期序列依賴關係指的是在一個序列中相互之間相距很遠的交互間的依賴關係。例如，給定一個購物序列S₁ = {玫瑰花，雞蛋，麪包，一瓶牛奶，一個花瓶}，這包含了Janet成功購買的一籃子商品。顯而易見，花瓶和玫瑰花是高依賴關係，即使他們之間的相距很遠。這種情況在現實中並不少見，因爲用戶的行爲通常是高度不確定的，他們可能會把任何物品放進購物車中。
  爲了解決這種關鍵的問題，基於長短時記憶和基於門循環單元的循環神經網絡已經被應用於序列推薦系統中了，這種情況下就能捕獲序列中用戶-商品的交互間的長期以來關係。然而，對於用循環神經網絡模型通過過度假設（任何鄰近商品在序列中都是高依賴關係）生成錯誤依賴關係是比較容易發生的。在上面Janet購物的序列中，循環神經網絡通常是通過假設牛奶和花瓶是有依賴關係的來構造S₁ 的，這是由於他們之間的距離很近，但是實際上是不相關的。爲了解決這個問題，還做了一些其他的努力，在一個統一的模型中，通過利用混合模型的優勢，結合不同時間範圍內的多個子模型去捕獲短期和長期的依賴關係[Tang et al.，2019]。總的來說，能夠解決這一挑戰的工作相當有限，需要進行更多的研究來彌補這一差距。

2.2 使用靈活的順序處理用戶-項目交互序列

  在現實世界中，一些用戶-項目交互序列是嚴格有序的，而另一些則可能不是，即不是所有相鄰的交互都是順序相關的。例如，在購物序列S₂ = {牛奶, 黃油, 麪粉}中，先買牛奶還是先買黃油並不重要，但同時購買這兩種商品會導致接下來購買麪粉的可能性更高;也就是說，牛奶和黃油之間沒有嚴格的順序，但麪粉的順序取決於它們的結合。因此，對於具有靈活順序的序列，最好捕獲 集體順序依賴關係，而不是點向順序依賴關係，因爲前者是模糊的，並且在用戶-項交互上沒有嚴格的順序。因此，如何在靈活順序假設下捕獲集體順序依賴關係，成爲SRSs中使用靈活順序處理序列的關鍵挑戰。
  雖然在SRSs中很常見也很重要，但已有的研究尚未對這一問題給予足夠的重視。現有的建立在markov鏈上的SRSs，因式分解機或RNN只能處理點向依賴，而不擅長建模和捕獲集體依賴。只有少數作品像[唐和王，2018;Yuan等人(2019)]試圖解決這一挑戰，他們利用傳統神經網絡(CNN)對“圖像”中不同區域之間的局部和全局依賴關係進行建模，即，一個交互序列的嵌入矩陣。基於cnn的SRSs取得的技術進展將在3.3節中介紹。

2.3 處理帶有噪聲的用戶-項目交互序列

  由於用戶購物行爲的不確定性，大部分的用戶-物品交互序列是不乾淨的，這意味着它們可能包含一些噪聲和不相關的交互，對下一次交互預測產生干擾。在實踐中，在一個用戶-項目交互序列中，一些歷史交互與下一個交互密切相關，而其他交互可能是弱相關甚至不相關的。例如，在另一個購物序列S₃= {培根，玫瑰，雞蛋，麪包}中，物品“玫瑰”可能是一個有噪聲的物品，因爲它與其他物品有很大的不同，並且與它們沒有相關性。下一項可能是一瓶牛奶，概率很高，它只是依次依賴培根、雞蛋和麪包，而與玫瑰無關。因此，SRSs中的另一個關鍵挑戰是，在有噪聲的用戶-項目交互序列上，仔細而有區別地學習順序依賴關係。
  相當多的研究試圖通過使用注意力模型(Wang et al.， 2018)或記憶網絡(Chen et al.， 2018)來解決這一典型問題，有選擇地保留和利用那些與下一次交互預測真正相關的交互信息。這些解決辦法所取得的技術進展將在第3.3節中介紹。

2.4 處理具有異構關係的用戶-項目交互序列

  異構關係是指傳遞不同信息的不同類型的關係，在SRSs中應該以不同的方式建模。例如，在一個用戶-項目交互序列中，除了普遍存在的基於用戶-項目交互的順序依賴關係之外，在相互作用的項目之間也存在基於相似性的關係。此外，儘管兩者都是順序依賴項，但長期順序依賴項與短期順序依賴項有很大的不同，它們不能以相同的方式建模。因此，SRSs中的另一個關鍵挑戰是 如何有效地分別捕獲用戶-項目交互序列中的這些潛在的異構關係，並在處理與異構關係相關的用戶-項目交互序列時使它們協同工作，以獲得序列的推薦 。
  在SRSs中解決這一挑戰的文獻報道甚少。混合模型[Kang等，2018;唐等人，2019年;Wang等人，2019年)是迄今爲止應對這種挑戰的唯一解決方案。混合模型集成了不同子模型建模的不同類型的關係，以協作地生成序列推薦。具體技術進展情況見第3.3節。

2.5 處理具有層次結構的用戶-項目交互序列

  一般來說，與用戶-項目交互序列相關的層次結構主要有兩種:(1) 元數據與用戶-項目交互之間的層次結構。 具體來說，用戶的人口統計可以在一定程度上決定用戶的偏好，進而影響用戶與商品的交互。同樣，項目的特徵往往會影響用戶是否喜歡和互動[Hidasi et al.， 2016b];(2)子序列與用戶-項目交互之間的層次結構。 更具體地說，在某些SRSs中，一個用戶-項目交互序列 包含多個子序列(也稱爲會話) 。在這種情況下，除了當前子序列內的先驗交互之外，歷史子序列還可能影響當前子序列中將要預測的下一個用戶-項目交互[Ying et al.， 2018]。因此，SRSs中另一個關鍵的挑戰是 如何將這兩種層次結構中潛在的層次依賴關係合併到序列依賴關係學習中，以生成更準確的序列推薦。
  雖然已有不少研究試圖從某些方面來應對這一挑戰，但對其他方面的研究較少。一方面，爲了考慮項目特徵對用戶-項目交互的影響，提出了一系列特徵豐富的神經模型，包括[Hidasi et al.， 2016b]。相比之下，現有的SRSs很少考慮用戶人口統計的影響，應該在這方面投入更多的努力。另一方面，一些層次模型，包括層次嵌入模型[Wang et al.， 2015]、層次RNN [Quadrana et al.， 2017]和層次注意網絡[Ying et al.， 2018]已經被設計出來，將歷史子序列合併到序列依賴學習中，以構建更強大的SRSs。特別是第3.2和3.3節將介紹爲應付這一挑戰所取得的技術進展。

3 研究進展

  爲了對SRSs的技術進展進行概述，並提供針對上述挑戰的解決方案的更多技術細節，我們在本節中從技術角度總結並簡要討論了SRSs的研究進展。特別地，我們首先從技術角度對SRSs的所有方法進行了分類，然後簡要地強調了每個類別中最近的進展。SRS方法的分類如圖2所示。我們注意到，從技術角度來看，SRSs的各種方法首先被分爲11個原子類(例如，順序模式挖掘、因子分解機和遞歸神經網絡)。然後將所有這些原子類進一步劃分爲三個分類法，包括傳統的序列模型、潛在表示模型和深度神經網絡模型。一般來說，這三種分類法由簡單到複雜依次報道。接下來，我們總結了這三個分類的研究進展。

3.1 用於SRSs的傳統序列模型

  傳統的序列模型，包括序列模式挖掘和馬爾可夫鏈模型，利用它們在序列中用戶-項目交互之間的序列相關性建模方面的自然優勢，爲SRSs提供了直觀的解決方案。
  序列模式挖掘。 基於序列模式的RSs首先在序列數據上挖掘頻繁模式，然後利用挖掘出的模式指導後續的推薦。序列模式挖掘雖然簡單直接，但通常會產生大量的冗餘模式，增加了不必要的時間和空間開銷。另一個明顯的缺點是，由於頻率約束，它經常丟失那些不經常出現的模式和項目，這將推薦結果限制爲那些流行的項目。因此，除了有代表性的一篇[Yap et al.， 2012]外，本類文獻較少。
  馬爾可夫鏈模型。 基於馬爾可夫鏈的RSs採用馬爾可夫鏈模型對用戶-項目交互之間的轉換進行序列建模，以預測下一次交互。根據使用的具體技術，將基於馬爾可夫鏈的RSs方法分爲基於基本馬爾可夫鏈的方法和基於潛在馬爾可夫嵌入的方法。前者基於顯式觀測直接計算轉移概率[Garcin et al.， 2013]，而後者首先將馬爾可夫鏈嵌入到歐幾里德空間中，然後根據其歐幾里德距離計算相互作用之間的轉移概率[Feng et al.， 2015]。基於馬爾可夫鏈的RSs的缺點是顯而易見的，一方面，由於馬爾可夫特性假設當前的交互僅依賴於一個或多個最近的交互，所以它只能捕獲短期的依賴，而忽略了長期的依賴;另一方面，它們只能捕獲點依賴項，而忽略用戶-項交互上的集體依賴項。因此，近年來他們在SRSs中的使用越來越少。

3.2 用於SRSs的潛在表達模型

  潛在表示模型首先學習每個用戶或項的潛在表示，然後利用所學習的表示來預測後續的user-item交互。結果表明，在潛在空間中捕獲了更多的隱式和複雜的依賴關係，這極大地有利於推薦。接下來，我們將介紹兩種屬於這種分類的典型模型。
  因子分解機。基於因子分解機的SRSs通常利用矩陣因子分解或張量因子分解來將觀察到的用戶-物品交互分解爲用戶的潛在因子和推薦的物品[Rendle et al.， 2010;Hidasi和Tikk, 2016]。與協同過濾(collaborative filtering, CF)不同的是，需要進行因子分解的矩陣或張量是由交互作用組成的，而不是CF中的評級。這樣的模型容易受到觀測數據的稀疏性的影響，不能得到理想的推薦。
  嵌入。基於嵌入的SRSs通過將序列中的所有用戶-項目交互編碼到潛在空間中，爲每個用戶和後續推薦的項目學習潛在表示。具體而言，一些作品將習得的潛在表徵作爲網絡的輸入，進一步計算用戶與物品之間的交互得分，或連續的用戶行爲[Wang et al.， 2015;[2018]，而其他著作則直接利用它們計算歐幾里德距離等度量作爲交互分數[He et al.， 2018]。近年來，該模型以其簡單、效率高、有效性強的特點顯示出巨大的發展潛力。

3.3 用於SRSs的深度神經網絡模型

  深度神經網絡具有天然的能力，可以對不同實體(如用戶、項目、交互)之間的綜合關係進行序列建模和捕獲，因此在過去幾年中，深度神經網絡幾乎主導了SRSs。SRSs的最新進展也屬於這一分類。通常，這種分類可以分爲兩個子類:基於基本深度神經網絡的SRSs和基於包含一些高級模型的深度神經網絡的SRSs。

基本深度神經網絡

  針對SRSs最常用的深度神經網絡是遞歸神經網絡(RNN)，它具有序列建模的天然優勢，但也存在缺陷。最近，卷積神經網絡(convolutional neural networks, CNN)和圖神經網絡(graph neural networks, GNN)也在SRSs中得到了應用，彌補了RNN的不足。接下來，我們分別介紹了建立在這三種深度神經網絡上的SRSs。
  基於RNN的SRSs。給定一系列歷史用戶-項目交互，基於RNN的SRS通過對給定交互的順序依賴關係建模，嘗試預測下一個可能的交互。除了基本的RNN外，長短時記憶(LSTM)- [Wu et al.， 2017]和基於門控遞歸單元(GRU)的[Hidasi et al.， 2016a] RNN也被開發用於捕獲序列中的長期依賴關係。近年來，基於RNN的自主學習支持系統蓬勃發展，主導了基於深度學習的自主學習支持系統乃至整個自主學習支持系統的研究。除了基本的RNN結構外，還提出了一些變體來捕獲序列中更復雜的依賴關係，如遞階RNN [Quadrana et al.， 2017]。然而對於SRSs而言,RNN不是完美的,它有兩方面的缺點:(1)很容易產生假依賴由於過於強烈的假設任何相鄰的交互必須依賴一個序列,這可能不是情況在現實世界中,因爲通常是無關緊要的或在嘈雜的交互序列;而且(2)它可能只捕獲點依賴項，而忽略集合依賴項(例如，多個交互協作影響下一個交互)。
  基於CNN的SRSs。與RNN不同的是，給定一個用戶-物品交互序列，CNN首先將所有這些交互嵌入到一個矩陣中，然後將這個矩陣作爲時間和潛在空間中的“圖像”。最後，CNN學習序列模式作爲圖像的局部特徵，使用卷積過濾器進行後續推薦。由於CNN對序列中的相互作用並沒有很強的順序假設，並且他們是在“圖像”中學習區域之間的模式而不是相互作用，因此基於CNN的SRSs可以在一定程度上彌補基於RNN的SRSs的上述缺陷。然而，基於CNN的SRSs不能有效地捕獲長期依賴關係，因爲CNN中使用的過濾器的大小有限，這限制了它們的應用。典型作品有[唐和王，2018;Yuan等人，2019年]。
  基於GNN的SRSs。最近，隨着GNN的快速發展，人們設計了基於GNN的SRSs來利用GNN建模並捕獲用戶-項目交互之間的複雜轉換。通常，通過將每個交互作爲圖中的一個節點，而將每個序列映射到一個路徑，首先在序列數據上構建一個有向圖。然後，在圖上學習用戶或項目的嵌入，在整個圖上嵌入更復雜的關係[Wu et al.， 2019]。該方法充分利用了GNN的優勢來捕獲結構化關係數據集中的複雜關係。基於gnn的SRSs通過揭示推薦項和相應的順序上下文之間的複雜關係，顯示了提供可解釋的推薦的巨大潛力。這種SRSs還處於早期階段。

高級模型

  爲了解決建立在基本神經網絡結構上的SRSs的侷限性，一些高級模型通常與某種基本的深度神經網絡(如RNN、CNN)結合在一起，構建更強大的SRSs，能夠應對特定的挑戰。接下來，我們將介紹三種在SRSs中常用的高級模型。
   注意力模型。 在SRSs中，注意力模型通常被用來在一個序列中強調那些真正相關和重要的交互作用，同時淡化那些與下一次交互作用無關的交互作用。它們被廣泛地納入淺層網絡[Wang et al.， 2018]和RNN [Ying et al.， 2018]來處理帶有噪聲的交互序列。
  記憶網絡。 將內存網絡引入到SRSs中，通過合併外部內存矩陣來捕獲任何歷史用戶-項交互與下一個交互之間的依賴關係。這樣的矩陣使得以更顯式和動態的順序存儲和更新歷史交互成爲可能，從而提高模型的表達性，減少那些不相關交互的干擾[Chen et al.， 2018]。此外，還有一些作品結合鍵值存儲網絡，按順序存儲和更新交互項的相應知識庫信息，以瞭解屬性級偏好，以增強推薦[Huang et al.， 2018]。一般來說，內存網絡在SRSs中已經顯示出了它們的潛力，但是還沒有得到充分的研究。
  混合模型。 基於混合模型的SRS將擅長捕獲不同類型依賴項的不同模型組合在一起，以增強整個模型捕獲各種依賴項以獲得更好推薦的能力。一個典型的例子是[Tang et al.， 2019]，它結合了不同種類的編碼器，分別適用於短期和長期依賴關係，以學習後續推薦的更精確的序列表示，並已證明是非常有效的。然而，這些模型還處於早期階段。

4 開放的研究方向

  近年來，特別是近三年來，序列推薦系統發展迅速，深度學習，尤其是遞歸神經網絡蓬勃發展。在對該領域的研究實踐進行分類和總結的同時，我們還確定了下面討論的進一步開放的研究方向。
  上下文感知順序推薦系統。 用戶或項目所在的當前上下文可能會極大地影響用戶對該項目的選擇，在進行推薦時應該考慮這一點。這在SRSs中更爲必要，因爲上下文可能隨時間而變化。然而，大多數現有的SRSs忽略了這一重要方面。因此，上下文感知的SRSs將是未來工作的一個重要方向。
  社會感知順序推薦系統。 用戶生活在一個社會中，與各種各樣的人在線上線下都有聯繫。他人的行爲或觀點往往會對用戶的選擇產生很大的影響。因此，在SRSs中需要考慮社會影響，這在現有的工作中往往被忽略。
  交互式順序推薦系統。 現實世界中的大多數購物行爲是連續的，而不是孤立的。換句話說，用戶與購物平臺(如Amazon)之間實際上存在順序交互。然而，現有的SRSs常常忽略了這些交互作用，並且只在單個時間步長中爲一個操作生成推薦。如何結合用戶與賣家的交互，從而產生多時間步長推薦是一個很有前途的研究方向。
  跨域順序推薦系統。 在現實世界中，用戶在某段時間內購買的商品通常來自多個域，而不是一個域。本質上，來自不同領域的項目之間存在一些順序依賴關係，例如在購買汽車之後購買汽車保險。這種跨域順序依賴關係在大多數SRSs中被忽略。因此，跨域SRS是另一個很有前途的研究方向，通過利用來自其他領域的信息和來自不同領域的更多樣化的推薦來生成更準確的推薦。

5 總結

  推薦系統(RS)是人工智能在我們日常生活中最直接、最實用的應用之一。序列推薦系統(SRSs)在過去三到五年裏一直是RS領域的核心，因爲它們提供了更智能和更有利的推薦來滿足我們的日常需求。我們希望這篇綜述能夠爲RS研究界提供關於SRSs面臨的挑戰、最近的進展以及未來的一些方向的概述。

參考文獻

[Chen et al., 2018] Xu Chen, Hongteng Xu, Yongfeng Zhang, and et al. Sequential recommendation with user memory networks. In Proceedings of the 11th ACM International Conference on Web Search and Data Mining, pages 108–116, 2018.
[Feng et al., 2015] Shanshan Feng, Xutao Li, Yifeng Zeng, Gao Cong, and Yeow Meng Chee. Personalized ranking metric embedding for next new poi recommendation. In Proceedings of the 24th International Joint Conference on Artificial Intelligence, pages 2069–2075, 2015.
[Garcin et al., 2013] Florent Garcin, Christos Dimitrakakis, and Boi Faltings. Personalized news recommendation with context trees. In Proceedings of the 7th ACM Conference on Recommender Systems, pages 105–112, 2013.
[He and McAuley, 2016] Ruining He and Julian McAuley. Fusing similarity models with markov chains for sparse sequential recommendation. In Proceedings of the 16th IEEE International Conference on Data Mining, pages 191–200, 2016.
[He et al., 2018] Ruining He, Wang-Cheng Kang, and Julian McAuley. Translation-based recommendation: A scalable method for modeling sequential behavior. In Proceedings of the 27th International Joint Conference on Artificial Intelligence, pages 5264–5268, 2018.
[Hidasi and Tikk, 2016] Bal´azs Hidasi and Domonkos Tikk. General factorization framework for context-aware recommendations. Data Mining and Knowledge Discovery, 30(2):342–371, 2016.
[Hidasi et al., 2016a] Bal´azs Hidasi, Alexandros Karatzoglou, and et al. Session-based recommendations with recurrent neural networks. In Proceedings of the 4th International Conference on Learning Representations, pages 1–10, 2016.
[Hidasi et al., 2016b] Bal´azs Hidasi, Massimo Quadrana, Alexandros Karatzoglou, and Domonkos Tikk. Parallel recurrent neural network architectures for feature-rich session-based recommendations. In Proceedings of the 10th ACM Conference on Recommender Systems, pages 241–248, 2016.
[Huang et al., 2018] Jin Huang, Wayne Xin Zhao, Hongjian Dou, Ji-Rong Wen, and Edward Y Chang. Improving sequential recommendation with knowledge-enhanced memory networks. In Proceedings of the 41st ACM SIGIR Conference on Research & Development in Information Retrieval, pages 505–514, 2018.
[Kang et al., 2018] Wang-Cheng Kang, Mengting Wan, and Julian McAuley. Recommendation through mixtures of heterogeneous item relationships. In Proceedings of the 27th ACM International Conference on Information and Knowledge Management, pages 1143–1152, 2018.
[Quadrana et al., 2017] Massimo Quadrana, Alexandros Karatzoglou, and et al. Personalizing session-based recommendations with hierarchical recurrent neural networks. In Proceedings of the 11th ACM Conference on Recommender Systems, pages 130–137, 2017.
[Rendle et al., 2010] Steffen Rendle, Christoph Freudenthaler, and Lars Schmidt-Thieme. Factorizing personalized markov chains for next-basket recommendation. In Proceedings of the 19th International Conference on World Wide Web, pages 811–820, 2010.
[Tang and Wang, 2018] Jiaxi Tang and Ke Wang. Personalized top-n sequential recommendation via convolutional sequence embedding. In Proceedings of the 11th ACM International Conference on Web Search and Data Mining, pages 565–573, 2018.
[Tang et al., 2019] Jiaxi Tang, Francois Belletti, Sagar Jain, Minmin Chen, Alex Beutel, and et al. Towards neural mixture recommender for long range dependent user sequences. In Proceedings of the 28th International Conference on World Wide Web, pages 811–820, 2019.
[Wang et al., 2015] Pengfei Wang, Jiafeng Guo, Yanyan Lan, Jun Xu, ShengxianWan, and Xueqi Cheng. Learning hierarchical representation model for next basket recommendation. In Proceedings of the 38th ACM SIGIR Conference on Research and Development in Information Retrieval, pages 403–412, 2015.
[Wang et al., 2018] Shoujin Wang, Liang Hu, Longbing Cao, Xiaoshui Huang, Defu Lian, andWei Liu. Attentionbased transactional context embedding for next-item recommendation. In Proceedings of the 32nd AAAI Conference on Artificial Intelligence, pages 2532–2539, 2018.
[Wang et al., 2019] Shoujin Wang, Liang Hu, Yang Wang, and et al. Modeling multi-purpose sessions for nextitem recommendations via mixture-channel purpose routing networks. In Proceedings of the 28th International Joint Conference on Artificial Intelligence, pages 1–7, 2019.
[Wu et al., 2017] Chao-Yuan Wu, Amr Ahmed, Alex Beutel, Alexander J Smola, and How Jing. Recurrent recommender networks. In Proceedings of the 10th ACM International Conference on Web Search and Data Mining, pages 495–503, 2017.
[Wu et al., 2019] Shu Wu, Yuyuan Tang, and et al. Sessionbased recommendation with graph neural networks. In Proceedings of the 33rd AAAI Conference on Artificial Intelligence, pages 1–9, 2019.
[Yap et al., 2012] Ghim-Eng Yap, Xiao-Li Li, and Philip Yu. Effective next-items recommendation via personalized sequential pattern mining. In Database Systems for Advanced Applications, pages 48–64, 2012.
[Ying et al., 2018] Haochao Ying, Fuzhen Zhuang, Fuzheng Zhang, Yanchi Liu, Guandong Xu, and Xing Xie. Sequential recommender system based on hierarchical attention networks. In Proceedings of the 27th International Joint Conference on Artificial Intelligence, 2018.
[Yuan et al., 2019] Fajie Yuan, Alexandros Karatzoglou, Ioannis Arapakis, Joemon M Jose, and Xiangnan He. A simple convolutional generative network for next item recommendation. In Proceedings of the 12th ACM International Conference on Web Search and Data Mining, pages 582–590, 2019.