本文提出了一种基于 2D 卷积神经网络的序列推荐方法 CosRec，通过建模成对物品之间的关系，有效地表示了顺序特征并捕捉了复杂的物品相关性，实验结果表明，该方法在公共数据集上表现优异，达到了最先进的性能水平。

Aug, 2019

本文研究了基于会话的下一个项目推荐，发现现有的生成模型和网络结构无法很好地建模项序列中的长距离依赖关系，因此提出了一种简单而有效的生成模型，用于学习从短时至长时的项目依赖的高级表示。文中提出的模型的网络结构由一堆突出卷积层（可以有效地增加感受野而不依赖于池化操作）组成，并在推荐系统中采用残差块结构，以便更深的网络优化。该模型在下一个项目推荐任务中具有最先进的准确性，训练时间较短，尤其是在存在长序列用户反馈的情况下表现出色。

Aug, 2018

提出了一种名为 SCoRe 的依靠用户行为和物品属性历史序列信息挖掘高阶协作信息的推荐模型，实验结果表明其在三个真实的大规模数据集上表现均优于强基线模型。

Nov, 2019

本文提出了一个基于图神经网络模型的序列推荐方法 SURGE (Short for SeqUential Recommendation with Graph neural nEtworks)，通过度量学习将松散的物品序列重构成紧密的物品 - 物品兴趣图，并对构建的图进行集群感知和查询感知的图卷积传播和图池化操作，从而实现从用户的历史行为序列中动态融合和提取其当前激活的核心兴趣。实验证明，相比最先进的方法，该方法在公共和专有数据集上都达到了显著的性能提升，并且在序列长度方面也表现出了高效和有效的建模能力。

Jun, 2021

提出了一种基于时间顺序的用户行为建模方法，通过融合顺序模式和时间合作信号，并采用 TCT 层和连续时间二分图，设计了一种新的框架 (Temporal Graph Sequential Recommender)，该模型有效提高了推荐质量。

Aug, 2021

我们提出了一种新的上下文递归神经网络，可以在输入和输出层中考虑相关信息，将上下文嵌入与项目嵌入相结合，并在模型动态性中将隐藏单元转换参数化为上下文信息的函数，从而在下一事件预测任务上显示出良好的提高效果。

Jun, 2017

本文介绍了一种基于顺序模型的推荐系统，它利用原始交易数据进行预测，并在生产数据集上测试，取得了 47% 的 MAP@1 度量，证明了其效果的可靠性和实用性。同时，本文还探讨了将该系统嵌入 Nexus 数字体验架构的可能性和潜在的市场应用价值。

Jul, 2022

AutoSeqRec 是一种用于顺序推荐任务的增量推荐模型。它基于自编码器，由编码器和三个解码器组成。通过重建用户 - 物品交互矩阵和物品转换矩阵的行列，捕捉用户的长期偏好和短期兴趣，最终实现了准确性、鲁棒性和高效性的提升。

Aug, 2023

用户行为序列模型是个性化推荐系统中的关键任务之一，本文通过重新审视 Transformer-like 架构，并引入 ConvFormer，提出了三个设定高效的序贯用户模型的关键准则，从而取得了最先进的结果。

Aug, 2023

本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中，作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案，该方案在 100 多个参与者中获得第 5 名，证明序列模型在推荐系统中具有非常好的应用前景。

Aug, 2016