推荐算法炼丹笔记：序列化推荐系统

作者：一元

公众号：炼丹笔记

特约审稿：杰少

背景

序列推荐系统(SRS)不同于传统推荐系统（RSs）包括协同过滤和基于内容的过滤，SRSs试图理解和建模用户的连续行为、用户与物品之间的交互作用以及用户偏好和商品流行度随时间的变化。SRS涉及到以上几个方面，以便更精确地描述用户上下文、意图和目标，以及物品消费趋势，从而得到更准确、定制和动态的推荐。

本篇文章我们对SRSs进行了系统的回顾。我们先介绍SRSs的特点，然后对该研究领域面临的主要挑战进行了总结和分类，然后介绍了该领域的最新研究进展和最具代表性的研究进展。最后，讨论了该领域的重要研究方向。

序列化推荐的动机&形式

传统的推荐系统,例如基于内容和协同过滤的推荐系统，以一种静态的方式建模用户和商品的交互并且只可以捕获用户广义的喜好。而相反地，SRSs则是将用户和商品的交互建模为一个动态的序列并且利用序列的依赖性来活捉当前和最近用户的喜好。

为什么要进行序列化推荐？

1. 用户和商品的交互本质是序列相关的

用户和商品的交互本质上是序列以来的，现实生活中，用户的购物习惯经常是一整个序列化的行为，而不是独立的。

以图1所示的Jimmy的购物事件为例，在Jimmy开始度假之前，他先后预订了机票、酒店和租车，接下来的行动可能是通过自驾游游览旅游景点。在这种情况下，酒店可能靠近航班的目的地机场，取车地点可能离酒店不远。 在这个场景中，Jimmy的每个后续动作都依赖于前面的动作，因此所有四个消费动作都是顺序相关的。

2. 用户的喜好和商品的流行度是动态变化的

用户的偏好会随着时间的推移而改变。

例如，许多曾经是iPhone粉丝的年轻人现在转而成为了华为或三星（Samsung）生产的手机的粉丝，而iPhone的受欢迎程度近年来一直在下降。这种动态对于精确分析用户或商品具有重要意义，而且它们只能由SRS捕获。

3. 用户商品的交互在特定的序列化的上下文中发生

不同的上下文通常会导致不同用户对项目的交互，然而，这一点常常被传统的推荐系统例如协作过滤所忽略。相反，时间序列推荐模型会将先前的顺序交互作为上下文来预测在不久的将来哪些商品可能会交互。因此，通过避免重复推荐与已经选择的商品相同或相似的项目，使推荐结果多样化要容易得多。

序列化推荐的形式

序列化推荐系统由最大化下面的函数得到：

数据特点和挑战