本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐，利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点，为大规模商品库检索候选商品，进而通过整合模块平衡推荐的准确性和多样性，实现了与现有模型相比显著的性能提升，已成功部署在阿里巴巴分布式云平台。

May, 2020

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

采用预训练语言模型的语义理解能力，提出了一种新的序列推荐策略 LANCER，以弥补先前序列建模方法对上下文信息的不足，从而在推荐系统中生成更加人性化的个性化推荐。经过在多个基准数据集上的实验证明，我们的方法有效，具有良好的结果，并对我们的模型在序列推荐任务中的影响提供了有价值的见解。此外，我们的实验代码是公开可用的。

Sep, 2023

本文提出了一种新的序列感知推荐模型，采用自我注意机制从用户的历史交互中推断项目之间的关系，并在短期和长期意图考虑的度量学习框架中进行训练，实验结果表明，我们的方法在不同领域的广泛数据集上均表现出优异的性能。

Aug, 2018

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

本文提出了一种名为 “基于搜索的兴趣模型” 的新的建模范式，利用两个级联搜索单元在可扩展性和准确性方面，更好地对终生序列行为数据进行建模，并通过在大规模工业系统中的实现取得了良好的效果。

Jun, 2020

该研究使用分层周期性记忆网络实现在线服务中用户响应预测的持续顺序建模，实现个性化内存化的顺序模式，并在三个大规模真实世界数据集上展示了显著的用户响应预测表现优势。

May, 2019

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

本文提出了简单而有效的线性模型，以考虑会话中前一项序列，以提高会话推荐的质量，并为反映不同角度的会话数据提供了一个广义框架。此外，由于我们的模型可以通过封闭形式的解决方案来解决，因此它们具有可扩展性， 实验结果表明，提出的线性模型在几个真实数据集上展示了具有竞争力或领先水平的性能。

Mar, 2021

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