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

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

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

本文提出了基于顺序的用户 - 项目交互日志信息来作出推荐的顺序感知推荐系统，并且探讨了现有的算法解决方案、方法论和该领域内的开放挑战。

Feb, 2018

本文提出了一种推荐系统，结合个性化的兴趣变化和项目的普遍兴趣，通过预测用户在最近时间内消费的项目，捕捉个性化的兴趣可持续性，扩充用户稀疏消费历史数据，并在 11 个真实数据集上优于 10 个基础模型。

Sep, 2022

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

提出了一种用于顺序推荐的对比学习多任务模型 CL4SRec，在传统的下一个项目预测任务的基础上，从原始用户行为序列中提取更有意义的用户模式，并进一步有效地编码用户表示，通过构建自我监督信号和数据增强等手段，来解决数据稀疏性和参数优化问题，并在四个公共数据集上实现了业界领先的性能。

Oct, 2020

该论文介绍了一种新颖的多表示学习框架，利用序列和图形组件之间的协同作用，显著提高了推荐性能。

Mar, 2024

本论文对顺序推荐系统进行了系统综述并总结了该领域的关键挑战，最近和典型发展以及未来的重要研究方向。

Dec, 2019