- TKAN: 时间 Kolmogorov-Arnold 网络
基于 Kolmogorov-Arnold Networks (KANs) 和 Long Short-Term Memory (LSTM) 的启发，我们提出了一种新的神经网络架构，Temporal Kolomogorov-Arnold Net - HMAR：多行为推荐的分层掩码注意力
在推荐系统的背景下，处理多行为用户交互对于理解不断演变的用户行为变得至关重要。最近的模型利用图神经网络和注意机制等技术来建模多样的行为，但是捕捉历史交互中的顺序模式仍然具有挑战性。为了解决这个问题，我们引入了基于层次掩码注意力的多行为推荐模 - 加强下一个目的地预测：一种使用现实世界航空数据的新型 LSTM 方法
本研究旨在开发一种精确的模型，通过捕捉旅行数据中的序列模式和依赖关系，实现对个体旅行者未来目的地的准确预测，为现代交通运输行业带来多重益处，并在不同数据规模和性能指标下取得了令人满意的性能和高分数的实验结果。该研究对推进目的地预测方法、为公 - 评估基于序列的异常检测技术常用日志数据集的关键回顾
本篇研究分析了六个公开可用的日志数据集，关注异常的表现形式和简单的检测技术，结果显示大多数异常与顺序表现无直接联系，不需要先进的检测技术即可实现对这些数据集的高检测率。
- 可解释的序列聚类
提出了一种名为 Interpretable Sequence Clustering Tree（ISCT）的方法，该方法将顺序模式与简明易懂的树状结构相结合，以解决分类序列聚类中的解释性问题。ISCT 利用 k-1 模式生成 k 个叶节点，对 - 对比模式挖掘：一份调查报告
该研究论文介绍了对比模式挖掘的研究方向，并分类讨论了各种挖掘策略和方法，包括序列模式和对比模式，提出了不同算法和优缺点，最后探讨了该领域的挑战和机遇。
- KDD学习微分算子以实现可解释的时间序列建模
本研究提出一个基于可学习微分方程的框架来自动获取解释性的偏微分方程模型，该模型可以捕捉数据中的时间演化动态并在金融、工程和健康数据的时间序列预测中表现出色。
- 考虑多次出现的频繁串事件增量挖掘
本文提出一种新的序列模式挖掘问题，建议使用新的策略剪枝搜索空间，以识别模式的基本特征和之间的相互关系，并通过在真实和合成数据上的实验证明了该方法的有用性。
- AAAI利用二分模式挖掘半结构化点击流数据中的意图预测
通过约束推理，我们引入了一种半结构化数据的模式挖掘框架，可以发现频繁出现且具有所需特性的顺序模式，从而创建有用的新模式嵌入，进而用于客户意图预测。总的来说，我们证明了模式嵌入在半结构化数据和机器学习模型之间具有整合作用，提高了下游任务的性能 - SIGIR基于演化表征学习的时间知识图谱推理
本文提出了一种基于递归演化网络的图卷积网络 (RE-GCN) 的模型，以有效地模拟序列的历史事实，捕捉结构依赖性和时间上邻近事实的时序模式，并根据历史的 KG 序列自回归地建模并一并捕获所有事实的时序模式，从而显著提高了六个基准数据集上的时 - 多尺度单类循环神经网络用于离散事件序列异常检测
本文介绍了一种用于检测离散事件序列中异常的多尺度单类循环神经网络模型，该模型将事件序列嵌入到潜在空间中进行检测，并利用多尺度的循环神经网络框架同时捕获不同级别的顺序模式。实验结果表明，该模型在三个基准数据集上均优于各种代表性基线，并验证了捕 - SIGIR点击率预测的用户行为检索
本论文提出了一种基于数据检索的用户行为检索框架（UBR4CTR），通过可学习的搜索方法从整个用户历史序列中检索出最相关和最适当的用户行为，然后将这些检索到的行为馈入深度模型进行最终预测，该框架能够在低成本下被高度可行地部署到工业模型流水线中 - CosRec: 用于时序推荐的二维卷积神经网络
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。
- WSDM通过卷积序列嵌入进行个性化 Top-N 顺序推荐
本文介绍了一种卷积序列嵌入推荐模型（Caser），它使用卷积过滤器将一系列最近的物品嵌入到时间和潜在空间中的 “图像” 中，并学习局部特征作为连续模式，这种方法为捕获一般偏好和连续模式提供了统一和灵活的网络结构。实验显示，Caser 在各种 - ASP 编码在序列模式挖掘任务中的效率分析
本文介绍了使用 Answer Set Programming（ASP）挖掘顺序模式。我们借助 ASP 对背景知识进行模式挖掘，提出了两种嵌入表示中经典顺序模式挖掘任务的编码，并对各种类型的模式比较了这些编码的计算性能。结果表明，fill-g - 神经序列模型的动态评估
通过梯度下降机制使神经序列模型适应最近的历史，从而提高模型的性能和有效性，在多个数据集上表现出了优于现有模型适应方法的结果。
- AAAI通过玩音乐拼图游戏生成音乐混搭
提出一种基于自监督学习的音乐拼图游戏，旨在训练神经网络模型学习音乐中的序列模式，并利用基于时序片段的相似度得分，提出了改进的网络结构来实现元素的排序，该模型表现优于其他相似模型，且在多个游戏难度中均表现出色。
- 基于翻译的推荐系统
本文提出了一种名为 TransRec 的方法，它可以将用户和项目之间以及项目之间的复杂交互建模，用于预测用户的个性化顺序行为，通过将项目嵌入到 “转换空间” 中，并使用用户来操作项目序列的翻译向量，以便捕捉第三阶交互关系。在广泛的真实世界数 - MM基于神经网络的下一首歌曲推荐
本文提出一种基于神经网络的下一首歌曲推荐系统 CNN-rec，并与其他神经网络和传统推荐系统在下一首歌曲推荐任务上进行比较，验证结果表明该系统优于传统系统并具有与最先进系统相当的性能表现。