一文梳理序列化推荐算法模型进展

嘿，记得给“机器学习与推荐算法”添加星标

---

| 作者：朱勇椿
| 单位：中国科学院大学
| 研究方向：跨域推荐、多任务学习

在真实场景的推荐系统中，通常会使用所有数据来训练推荐模型，学到的user embedding可以表示用户的兴趣偏好。但是这样的用户表示可能会遗漏用户的序列行为信息，而序列推荐则旨在显式地建模用户的序列行为，提升推荐系统的效果。本期为大家分享一些序列推荐算法。

文本将序列推荐分为以下几个方面：

• 标准序列推荐

• 长短期序列推荐

• 多兴趣表示的序列推荐

• 多行为序列推荐

• 其他序列推荐

一、标准序列推荐

标准序列推荐指通过单行为序列挖掘用户表示的推荐算法。标准序列推荐算法也非常直接，一些常见的序列建模的方法，比如Pooling, RNN, CNN, Memory Network, Attention, Transformer等等。

1.1 Pooling

将用户交互过的item的embedding，取个均值，作为序列特征加入推荐模型，比如google的推荐模型[1]。这种方法简单有效，也是业界最常见的使用序列特征的手段。

1.2 RNN-based

RNN是一种进行序列建模的非常使用的方法，广泛用于各种序列建模，比如文本、语音等等。GRU4Rec[2]将RNN引入了session-based推荐系统，将一个session内的交互作为序列历史，进行序列建模。