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

提出了 DELRec 框架，通过两种策略提取 SR 模型展示的行为模式，从而帮助 LLMs 更有效地执行 SR 任务。在三个真实数据集上的广泛实验结果验证了 DELRec 框架的有效性。

Jun, 2024

本篇研究提出了一种基于最新性采样的序列推荐算法的训练方法，该方法尝试解决目前流行的序列推荐算法训练时间过长、无法充分利用数据的问题，并测试了多种现有的模型架构，结果表明该方法不仅能够有效地提高模型性能，而且训练时间大大减少。

Jul, 2022

本文提出了 Generate Negative Samples (items) for SR (GenNi) 方法，使用当前 SR 模型中已学习的用户偏好在每个时间步骤采样负面项目，以提供高质量的负面样本，验证了其在四个公共数据集上的有效性和效率。

Aug, 2022

该论文提出了一种基于多模态信息的多模态预训练和迁移学习框架（MISSRec），用于顺序推荐，以解决现有基于 ID 特征的推荐方法在稀疏 ID 和冷启动问题方面的性能不佳的问题。通过在用户和候选项两方面分别设计 Transformer-based 的编码器 - 解码器模型和动态融合模块，MISSRec 能够实现更鲁棒且可迁移的序列表示，该方法在实验中表现出的效果和灵活性使其成为实际推荐场景的可行解决方案。

Aug, 2023

提出了一种名为 UniSRec 的序列表示学习方法，利用与物品相关的描述文本来学习跨不同场景或平台的可转移表示，其中包括轻量级物品编码体系结构和多域负数采样的对比预训练任务。通过预训练的模型将有效地转移到新的推荐领域或平台，在真实世界的数据集上进行的广泛实验表明了该方法的有效性。

Jun, 2022

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

提出了一个新的评估协议来解决 “多余噪声” 对顺序推荐系统的影响，并引入了一种新型的关联感知损失函数来训练该系统，使其更具有鲁棒性，该模型在传统评估协议中 NDCG@10 有 0.88% 的提高，在新评估协议中有 1.63% 的 NDCG@10 和 1.5％的 HR 提高。

May, 2023

我们提出了一种新的编码器 - 解码器框架 —— 基于填充缺失数据的推荐系统（GRec），通过缺失项填充机制来训练编码器和解码器，并考虑了精度和效率。实验表明，GRec 显著优于现有的序列推荐方法，并且未来的上下文对推荐的效用有很大的影响。

Jun, 2019

利用双向编码表示从历史行为中建模用户的动态演变偏好对于推荐系统至关重要，我们通过使用 Cloze 任务对历史序列项进行联合编码来解决这个问题，并在四个基准数据集上展开广泛实验，结果显示我们的模型在各种顺序模型中表现出色。

Apr, 2019