Sequential Recommender Systems: Challenges, Progress and Prospects翻译和笔记

摘要

  近年来，序列推荐系统（SRS）的新兴话题已引起越来越多的关注。与传统的推荐系统（RS）包括协作过滤和基于内容的过滤不同，SRS尝试理解并建模顺序用户行为，用户与项目之间的交互以及用户偏好和项目受欢迎程度随时间的演变。 SRS涉及以上方面，以更精确地表征用户上下文，意图和目标以及项目消费趋势，从而导致更准确，定制和动态的建议。在本文中，我们对SRS进行了系统的综述。我们首先介绍SRS的特征，然后对本研究领域中的关键挑战进行归纳和归类，然后是相应的研究进展，包括该主题的最新进展和代表性发展。最后，我们讨论了这个充满活力的领域的重要研究方向。

1 Introduction

  序列推荐系统（SRS）通过主要对序列中的用户-项目交互（例如，在在线购物平台上查看或购买项目）进行顺序依赖性建模来建议用户可能感兴趣的项目。传统的推荐系统（RS），包括基于内容的协作过滤RS，都以静态方式对用户项目互动进行建模，并且只能捕获用户的一般偏好。相比之下，SRS将用户-项目交互视为动态序列，并考虑了顺序依存关系，以捕获用户当前和最近的偏好以获得更准确的推荐[Chen等人，2018]。为了增强对SRS的理解，接下来我们介绍SRS的动机和形式化。
动机：为什么采用顺序推荐系统？
  用户项目交互本质上是顺序相关的。在现实世界中，用户的购物行为通常是顺序发生，而不是孤立地发生。以图1所示的吉米（Jimmy）购物事件为例，在吉米（Jimmy）开始休假之前，他预订了机票和旅馆，并先后租了车，他的下一个动作可能是通过自动驾驶游览一个旅游胜地。在这种情况下，酒店可能靠近航班的目的地机场，而接送租来的汽车的位置可能离酒店不远。在这种情况下，吉米接下来的每个动作都取决于先前的动作，因此所有四个消耗动作都是顺序相关的。同样，在蒂娜的案例中，我们可以看到顺序依赖性。这种类型的顺序依赖关系通常存在于交易数据中，但不能被常规的基于内容的RS或协作过滤RS很好地捕获[Kang等，2018]，这从根本上促进了SRS的发展。
  随着时间的流逝，用户的偏好和商品的受欢迎程度都是动态的，而不是静态的。实际上，用户的喜好和品味可能会随着时间而改变。例如，许多曾经是iPhone粉丝的年轻人现在已经转变为华为或三星生产的手机的粉丝，并且iPhone的受欢迎程度近年来一直在下降。这样的动态变化对于准确地对用户或物品进行性能分析以提供更准确的建议非常重要，并且只能由SRS捕获。
  用户项目交互通常在一定顺序的上下文中发生。不同的上下文通常会导致不同的用户与项目进行交互，但是传统协同过滤之类的传统RS通常会忽略这些交互。相反，SRS将先前的顺序交互作为上下文来预测在不久的将来将交互的项目。因此，通过避免重复推荐那些与已经选择的项目 相同或相似的项目，使推荐结果多样化变得容易得多。

Formalization: What are Sequential Recommender Systems?

  通常，SRS将一系列用户项目交互作为输入，并尝试通过对嵌入在用户项目交互序列中的复杂顺序依存关系进行建模来预测不久的将来可能发生的后续用户项目交互。更具体地，给定一系列用户-项目交互，通过使效用函数值（例如，可能性）最大化来生成由排名最高的候选项目组成的推荐列表：

其中f是输出候选项目排名得分的效用函数，它可以采用多种形式，例如条件概率[Wang等，2018]或交互得分[Huang等，2018]。 S = {i1，i2，…，i | S |}是一系列用户-项目交互，其中每个交互
是一个由用户u，用户的动作a和相应的项v，用户和商品与某些元数据（例如，人口统计信息或功能）相关联，而动作可能具有不同的类型（例如，点击，添加到购物车，购买）并在以下情况下发生各种环境（例如时间，位置，天气）。输出R是按排名分数排序的项目列表。
  与一般的序列建模不同，在一般的序列建模中，序列结构要简单得多，因为序列通常由原子元素(例如，实值、基因)组成，而SRSs中的