顺序推荐相关论文整理

顺序推荐：通过用户项目交互在序列上的顺序依赖性来进行建模，并依照模型对后续交互进行预测。
例如：

Jimmy定好机票，酒店并租完车后的下一步会是什么？
Tina在买完iPhone, Watch ,AirPods后下一步会是什么？
用户的喜好和项目流行的影响力，会随着时间发生变化。根据用户项目在不同时间的购买关系上，我们进行推荐，这是传统协同过滤所忽略的。

顺序推荐面临的挑战：
1.数据特征
（1）长的用户项目交互序列
这里面临两种困难情况，也即是高阶顺序依赖性和长期序列依赖性

高阶序列依赖性：通过隐马尔科夫链模型或者因式分解机可知，较长的交互使得多个用户和项目之间的隐含关系更多更复杂。
目前解决方法采用：隐马尔可夫链和RNN

长期序列依赖性：两个交互之间的依赖性强，但是序列距离过远。
目前解决方法：LSTM和GRU

（2）灵活的处理顺序
不是所有相邻顺序的交互都具有标准的顺序相关性，例如我们要做面包，可以先买面粉，再买黄油，糖，也可以先买黄油与面粉。
目前解决方法：CNN

（3）带有噪声的交互
用户点击时并没有基于序列等强相关的因素，而可能是误碰等弱相关或不相关的交互。
目前解决方法：注意力机制

（4）具有异构关系的交互
用户项目交互序列之间的关系具有差异，要根据差异针对性建模，例如：长期依赖关系和短期依赖关系的建模要有差异。
目前解决方法：混合模型

（5）分层结构处理序列交互
用户项目交互会出现许多子序列，除了当前子序列中的交互，历史子序列也可能影响预测。将层次依赖性和顺序依赖性结合，从而提供更精准预测。
目前解决方法：特征丰富的RNN，分层嵌入，分层RNN，分层注意力机制。

目前序列推荐的模型：

传统序列模型：
（1）序列模式挖掘：频繁采集序列，利用挖掘到的序列指导推荐。
产生大量冗余，浪费时间和空间，由于次数限制，常常只学习流行。
（2）马尔科夫链：学习交互序列，根据当前状态预测邻近状态。
过于依靠相邻状态，忽略长期依赖关系

潜在表征模型：
（1）因式分解机：常采用矩阵因式分解和张量因式分解
将用户项目交互分解为用户项目潜在推荐因素，再预测。
容易受数据稀疏性影响。
（2）嵌入：将用户项目交互编码，学习编码后的嵌入，输入到网络，得到预测评分，最后进行预测。

深度神经网络模型：
1.基本模型：
（1）RNN:给定一系列历史用户项目交互，根据交互顺序建模预测下一个。经典的就是基于此的LSTM和GRU来研究中长期依赖关系。
过于依赖相邻相互作用，从而捕捉相邻但无关的噪声，过于逐条捕捉忽略整体（几条构成一个集合整体）依赖关系。
（2）CNN:将历史交互的嵌入放入矩阵，将该矩阵视为图像矩阵，基于此卷积。但是容易忽略长期依赖关系
2.高级模型：
（1）注意力模型：加强序列中真正相关的交互或者说重要交互，而降低次要交互的作用。
（2）记忆网络：结合外部存储矩阵，存储历史交互来捕捉历史交互与下一个交互的依赖性。
（3）混合模型：捕捉不同种类依赖关系，例如长期依赖和短期依赖关系。