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

设计了一种多行为超图增强 Transformer 框架（MBHT），用于捕获基于多个交互类型的短期和长期行为依赖关系，该框架通过低秩自注意力和超图神经网络结构实现。

Jul, 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

本文提出了一种基于 Stochastic Self-Attention 的推荐模型，用于解决现有顺序方法无法处理不确定性和协同传递性的问题，并在五个真实世界基准数据集上进行了广泛实验，证明其在冷启动项目上的优越性。

Jan, 2022

该研究提出了一种基于变换器的关系感知内核自注意力机制（RKSA），它采用了变换器的自注意力机制，并加入了概率模型和潜空间，从而将变换器的自注意力与连续推荐相结合，实现了推荐上下文的建模与个性化推荐。

Nov, 2019

本文提出采用多行为互动模式进行时间变化的用户偏好建模，通过提出的 Temporal Graph Transformer 模型，能够更好地学习不同行为间的相关性，有效解决单一行为矩阵稀疏和数据不足等问题。

Jun, 2022

本文研究了 Multi-Behavior Sequential Recommendation 问题，提出了一种名为 Personalized Behavior-Aware Transformer (PBAT) 的框架，该框架通过建模个性化模式和多方面的序列协作来提高推荐性能。

Feb, 2024

该研究旨在解决当前推荐系统仅考虑用户与物品的单一交互类型，无法识别具有复合行为关系的交互信号的问题，通过提出使用记忆 - 增强变压器网络（MATN）的方法实现多重行为关系信息推荐。经过实验证明，该方法在两个基准数据集和真实世界的电子商务用户行为数据方面均取得了显著的改进。

Oct, 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